Acupuncture methods for diabetic peripheral neuropathy
Notice bibliographique
Résumé
BACKGROUND: Many clinical trials and systematic reviews have suggested that acupuncture (include moxibustion) could be effective in the treatment of diabetic peripheral neuropathy (DPN). However, clinical practices vary greatly leads to different choices which are mainly based on personal experience. The aim of this Bayesian network meta-analysis is to compare the efficacy of different acupuncture methods for DPN. METHODS: Randomized controlled trials on acupuncture treatment of DPN published before January of 2021 will be searched in 9 databases including Medline, Web of Science, PubMed, Cochrane Library, Excerpta Medica Database, Sinomed, China National Knowledge Infrastructure, WanFang, and China Science and Technology Journal Database. The methodological assessment performed using the risk of bias assessment tool of Cochrane, and the level of evidence quality for the main results will be evaluated by a recommended grading, evaluation, formulation, and evaluation system approach. Bayesian network meta-analysis will be conducted using STATA V.14.0 and WinBUGS V.1.4.3. RESULTS: The primary outcome involves: clinical efficacy. The secondary outcomes include: motor nerve conduction velocity, sensory nerve conduction velocity, Toronto clinical scoring system, Michigan neuropathy screening instrument, the modified Toronto Clinical Neuropathy Scale, the Utah early neuropathy scale, or the neuropathy disability score, and adverse reactions. CONCLUSION: To find the most effective acupuncture therapy for the treatment of DPN supported by evidence-based medicine.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».