136-OR: Nocturnal Hypoglycemia Prevention Strategies Used by People with Type 1 Diabetes According to Their Insulin Delivery and Blood Glucose Monitoring Technology
Notice bibliographique
Résumé
People with T1D (PWT1D) use many strategies to avoid nocturnal hypoglycemia (NH), however, the current evidence on these strategies is limited. Technologies such as continuous subcutaneous insulin infusion (CSII) or continuous glucose monitors (CGM) could help reduce NH and possibly alter PWT1D’ management behaviors. Aim: To describe PWT1D’ preferred NH prevention strategies according to their use of technology. Methods: Self-reported data from an online registry of PWT1D were analyzed. To describe which NH prevention strategies are most often used, we ran a χ2 test with a post hoc pairwise comparison of the groups based on their mode of insulin delivery and glucose monitoring (CSII + self-monitoring of blood glucose (SMBG); CSII + CGM; multiple daily injections (MDI) + CGM; MDI + SMBG). Results: Among 767 adults (64% female, mean age 45 ± 15 years, T1D duration 25 ± 14 years) 42% used MDI + CGM, 40% CSII + CGM, 5% CSII + SMBG, and 13% MDI + SMBG. About 67% reported waking up ≥1 time in the past month due to NH symptoms. The most widely used strategies were verifying bedtime glycemia (71%), having an evening/bedtime snack (60%), and/or reducing nocturnal basal insulin (30%). PWT1D using CSII + CGM or CSII + SMBG relied more on basal insulin reduction (36% and 33.3%, respectively) compared to those using MDI + CGM (26%) or MDI + SMBG (19%). Less PWT1D using CSII + CGM reported having a snack to prevent NH (51%), compared to CSII + SBMG (61%), MDI + CGM (66%), and MDI + SBGM (67%) groups (p<0.001). Conclusion: Results suggest that PWT1D using technology choose different strategies to avoid NH than non-users. CSII users relying on basal insulin adjustment was expected as CSII offers more flexibility for insulin delivery. Snacks remain a popular strategy to prevent NH but are less used by PWT1D on CSII + CGM. While our findings provide some real-life insight into the methods PWT1D use to avoid NH, the efficacy of these strategies still needs further investigation. Disclosure M. K. Talbo: None. V. Messier: Other Relationship; Self; Eli Lilly and Company. K. Desjardins: None. R. Rabasa-lhoret: Advisory Panel; Self; Bayer Inc., Covance Inc., Insulet Corporation, Pfizer Inc., Other Relationship; Self; Abbott, AstraZeneca, Boehringer Ingelheim (Canada) Ltd., Dexcom, Inc., Eli Lilly and Company, HLS Therapeutics Inc., Janssen Pharmaceuticals, Inc., Medtronic, Merck & Co., Inc., Novo Nordisk, Sanofi-Aventis, Research Support; Self; Canadian Institutes of Health Research, Cystic Fibrosis Canada, Diabetes Canada, JDRF, National Institutes of Health, Prometic, Société Francophone du Diabète, Speaker’s Bureau; Self; CMS Canadian Medical&Surgical Knowledge Translation Research Group, CPD Network. A. Brazeau: None. T. Peters: None. Funding Canadian Institutes of Health Research (JT1-157204); JDRF (4-SRA-2018-651-Q-R)
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».