353-OR: Determining the Sequence of Microvascular Complications: Results of Multistate Markov Modelling in the Diabetes Control and Complications Trial (DCCT)
Notice bibliographique
Résumé
Screening for neuropathy is complex and underperformed in practice. If neuropathy rarely occurs first, screening for it could be delayed until retinopathy or nephropathy are documented. To address this, we aimed to definitively determine the sequence of microvascular complications in the natural history of type 1 diabetes (T1D) . Using data available from the public NIDDK Repository (1983-2012) , independent of the DCCT/EDIC research group, we performed a multistate analysis using biostatistics techniques for complex trivariate processes of the 1441 participants with T1D. Retinopathy (‘Eye’, E) , nephropathy (‘Kidney’, K) , and neuropathy (‘Nerve’, N) were each screened repeatedly and defined by the early-stage phenotypes (Figure 1) . Our model accounted for intermittent ascertainment and differing screening schedules. At baseline, participants had mean age 27±7 years and duration 6±4 years. Markov model simulations started in the absence of complications (Ø) . Eye was the most common initial complication (49%) , followed by nerve (28%) , and kidney (22%) . Median time to first complication was 5.3 years. 4% had no complications through follow-up. While retinopathy is conclusively most common, the high frequency of other initial complications reinforces the current practice of unselected early screening for all three, including neuropathy. Disclosure L.Lovblom: None. L.Briollais: None. G.Tomlinson: None. B.A.Perkins: Advisory Panel; Abbott Diabetes, Insulet Corporation, Sanofi, Board Member; Novo Nordisk, Other Relationship; Abbott Diabetes, Insulet Corporation, Medtronic, Novo Nordisk, Research Support; BMO Bank of Montreal, Novo Nordisk. Funding The Canadian Institutes of Health Research and the public NIDDK Central Repository.
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) | 0,000 | 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 ».