MétaCan
Menu
Retour à la cohorte
Enregistrement W4224324273 · doi:10.1177/19322968221088327

Strengths and Challenges of Closed-Loop Insulin Delivery During Exercise in People With Type 1 Diabetes: Potential Future Directions

2022· article· en· W4224324273 sur OpenAlexaff
Barbora Paldus, Dale Morrison, Melissa Lee, Dessi P. Zaharieva, Michael C. Riddell, David N. O’Neal

Notice bibliographique

RevueJournal of Diabetes Science and Technology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensYork University
Organismes subventionnairesNovo NordiskSanofiEli Lilly and CompanyInsulet CorporationAbbott Laboratories
Mots-clésGlycemicHypoglycemiaInsulin deliveryMedicineType 2 diabetesType 1 diabetesInsulinClosed loopDiabetes mellitusDiabetes managementPhysical exerciseIntensive care medicinePhysical medicine and rehabilitationPhysical therapyEndocrinologyEngineering

Résumé

récupéré en direct d'OpenAlex

Exercise has many physical and psychological benefits and is recommended for people with type 1 diabetes; however, there are many barriers to exercise, including glycemic instability and fear of hypoglycemia. Closed-loop (CL) systems have shown benefit in the overall glycemic management of type 1 diabetes, including improving HbA1c levels and reducing the incidence of nocturnal hypoglycemia; however, these systems are challenged by the rapidly changing insulin needs with exercise. This commentary focuses on the principles, strengths, and challenges of CL in the management of exercise, and discusses potential approaches, including the use of additional physiological signals, to address their shortcomings in the pursuit of fully automated CL systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,470
Score d'incertitude au seuil0,284

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,236
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Diabetes Science and TechnologyMême sujetDiabetes Management and ResearchTravaux en français237 207