SUDOSCAN in Combination with the Michigan Neuropathy Screening Instrument Is an Effective Tool for Screening Diabetic Peripheral Neuropathy
Notice bibliographique
Résumé
Background: Screening for diabetic peripheral neuropathy (DPN) is important to prevent severe foot complication, but the detection rate of DPN is unsatisfactory. We investigated whether SUDOSCAN combined with Michigan Neuropathy Screening Instrument (MNSI) could be an effective tool for screening for DPN in people with type 2 diabetes mellitus (T2DM) in clinical practice.Methods: We analysed the data for 144 people with T2DM without other cause of neuropathy. The presence of DPN was confirmed according to the Toronto Consensus criteria. Electrochemical skin conductance (ESC) of the feet was assessed using SUDOSCAN. We compared the discrimination power of following methods, MNSI only vs. SUDOSCAN only vs. MNSI plus SUDOSCAN vs. MNSI plus 10-g monofilament test.Results: Confirmed DPN was detected in 27.8% of the participants. The optimal cut-off value of feet ESC to distinguish DPN was 56 μS. We made the DPN screening scores using the corresponding odds ratios for MNSI-Questionnaire, MNSI-Physical Examination, SUDOSCAN, and 10-g monofilament test. For distinguishing the presence of DPN, the MNSI plus SUDOSCAN model showed higher areas under the receiver operating characteristic curve (AUC) than MNSI only model (0.717 vs. 0.638, P=0.011), and SUDOSCAN only model or MNSI plus 10-g monofilament test showed comparable AUC with MNSI only model.Conclusion: The screening model for DPN that includes both MNSI and SUDOSCAN can detect DPN with acceptable discrimination power and it may be useful in Korean patients with T2DM.
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 | 0,001 |
| 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 ».