616-P: Self-Care Scores Predicting Cognition Status in Patients with Type 2 Diabetes
Notice bibliographique
Résumé
Cognitive impairment is common in patients with type 2 diabetes mellitus (T2DM) and negatively impacts effective diabetes self-care. However, it is unclear whether self-care level can predict cognition status in T2DM patients. We aimed to identify self-care scores that would provide information on the patients’ cognition status. Methods: We collected diabetes self-care and cognition data from 50 T2DM patients (age 55.9±7.6 years, diabetes duration 10.1±8.2 years, A1C 7.1±1.4%, 54% female) using the Scale for Summary of Diabetes Self-Care Activities Assessment (SDSCA) and the Montreal Cognitive Assessment (MoCA) . A mixed effects logistic regression model for repeated measures used both baseline and 6 months follow-up observations with adjustment for within-subject correlation (SAS GLMMIX) . First, from nine potential covariates, an iterative backward elimination process selected a parsimonious subset of covariates for predicting MoCA level (normal vs. impairment) , optimizing area under the curve (AUC) . Four covariates were identified (education, income, ethnicity, sleep quality; AUC=.75) . Then an iterative process calculated AUC for MoCA level predicted from self-care level, using each possible self-care score cut point from .to 6.95 in .increments, controlling for the four identified covariates. An optimal cut point was selected that produced the highest AUC value. Results: The optimal self-care cut point was 2.95 (AUC=.76) , producing good discrimination of MoCA level. As a sensitivity analysis, the second best cut point of 3.95 produced AUC=.75. Conclusion: Self-care cut points, accounting for education, income, ethnicity, and sleep quality, could be used to gain information on T2DM patients’ cognition status, which may prompt clinicians and researchers to further evaluation with formal cognitive tests. Disclosure S.E.Choi: None. M.Freeby: Research Support; Abbott Diabetes, Novo Nordisk. B.Roy: None. M.A.Woo: None. R.Kumar: None. M.Brecht: None. Funding National Institutes of Health (RNR017190)
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».