Study on Risk Factors of Peripheral Neuropathy in Type 2 Diabetes Mellitus and Establishment of Prediction Model
Notice bibliographique
Résumé
BACKGROUND: Diabetic peripheral neuropathy (DPN) is one of the most serious complications of type 2 diabetes mellitus (T2DM). DPN increases the risk of ulcers, foot infections, and noninvasive amputations, ultimately leading to long-term disability. METHODS: Seven hundred patients with T2DM were investigated from 2013 to 2017 in the Sanlin community by obtaining basic data from the electronic medical record system (EMRS). From September 2018 to July 2019, 681 patients (19 missing) were investigated using a questionnaire, physical examination, biochemical index test, and follow-up Toronto clinical scoring system (TCSS) test. Patients with a TCSS score ≥6 points were diagnosed with DPN. After removing missing values, 612 patients were divided into groups in a 3:1 ratio for external validation. Using different Lasso analyses (misclassification error, mean squared error, -2log-likelihood, and area under curve) and a logistic regression analysis of the training set, models A, B, C, and D were established. The receiver operating characteristic (ROC) curve, calibration plot, dynamic component analysis (DCA) measurements, net classification improvement (NRI) and integrated discrimination improvement (IDI) were used to validate discrimination and clinical practicality of the model. RESULTS: Through data analysis, model A (containing four factors), model B (containing five factors), model C (containing seven factors), and model D (containing seven factors) were built. After calibration, ROC curve, DCA, NRI and IDI, models C and D exhibited better accuracy and greater predictive power. CONCLUSION: Four prediction models were established to assist with the early screening of DPN in patients with T2DM. The influencing factors in model C and D are more important factors for patients with T2DM diagnosed with DPN.
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 | 0,000 |
| 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 ».