ASSOCIATIONS BETWEEN DYSGLYCEMIA, RETINAL NEURODEGENERATION, AND MICROALBUMINURIA IN PREDIABETES AND TYPE 2 DIABETES
Notice bibliographique
Résumé
PURPOSE: To explore the association between retinal neurodegeneration and metabolic parameters in progressive dysglycemia. METHOD: A cross-sectional study was performed on 68 participants: normal glucose tolerance (n = 23), prediabetes (n = 25), and Type 2 diabetes without diabetic retinopathy (n = 20). Anthropometric assessment and laboratory sampling for HbA1c, fasting glucose, insulin, c-peptide, lipid profile, renal function, and albumin-to-creatinine ratio were conducted. Central and pericentral macular thicknesses on spectral domain optical coherence tomography were compared with systemic parameters. RESULTS: Baseline demographic characteristics were similar across all groups. Cuzick's trend test revealed progressive full-thickness macular thinning with increasing dysglycemia across all three groups (P = 0.015). The urinary albumin-to-creatinine ratio was significantly correlated with full-thickness superior (R = -0.435; P = 0.0002), inferior (R = -0.409; P = 0.0005), temporal (R = -0.429; P = 0.003), and nasal (R = -0.493; P < 0.0001) pericentral macular thinning, after post hoc Bonferroni adjustment. There was no association between macular thinning and waist circumference, body mass index, blood pressure, lipid profile, or insulin resistance. CONCLUSION: Progressive dysglycemia is associated with macular thinning before the onset of visible retinopathy and occurs alongside microalbuminuria. Retinal neurodegenerative changes may help identify those most at risk from dysglycemic end-organ damage.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».