Adapting Diabetes Risk Scores for Jordan
Notice bibliographique
Résumé
BACKGROUND: Diabetes risk score can be used as a simple non-invasive screening tool for identifying people with high risk of diabetes. This study aimed to assess the predictive power of various risk-scoring systems to predict pre-diabetes and diabetes in Jordanian adults. METHODS: This cross-sectional study was conducted among people attending 54 primary health care centers distributed throughout the 12 governorates of Jordan. Diabetes risk scores using the American Diabetes Association risk score, Canadian risk score, Finland risk score (FINDRISC), British Risk score, German and Australian risk score were calculated for each patient. Fasting blood sugar (FBS) was measured for all participants. RESULTS: This study included 392 participants: 231 patients with normal fasting blood sugar (FBG), 101 patients with pre-diabetes and 60 patients with type 2 diabetes. The FINDRISC, British, and Australian risk scores were strongly inter-correlated and weakly correlated with other systems' risk scores. Moreover, they correlated moderately and significantly with FBS. In contrast, other systems risk scores were associated weekly with FBS. Based on receiving operating characteristics (ROC) analysis and multivariate logistic regression, the FINDRISC risk score was superior to other risk scores to predict high FBS and identify pre-diabetes and diabetes. CONCLUSION: FINDRISC risk score performed the best compared to other risk scores for predicting pre-diabetes, diabetes, and absence of diabetes. We recommend using the FINDRISC risk score assessment in Jordan.
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 | 0,001 | 0,003 |
| 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) | 0,000 | 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 ».