372-P: Predicting Real-World Severe Hypoglycemia in Americans with Diabetes (iNPHORM)
Notice bibliographique
Résumé
Most prediction models for diabetes-related iatrogenic severe hypoglycemia (SH) have derived from trial/administrative records subject to poor generalizability, ascertainment bias, and incomplete data capture. Redressing this gap, iNPHORM leveraged the clinical and methodological advantages of prospective self-report to develop and internally validate a 1-year SH prediction model for use in real-world clinical contexts. Adults (18-90 years old) with insulin- and/or secretagogue-treated type 1 or 2 diabetes (T1D, T2D) were recruited from a US-wide probability-based internet panel and followed for one year. Monthly emailed questionnaires assessed SH incidence and related factors. To model recurrent 1-year SH (daytime + nocturnal) , Andersen-Gill Cox proportional hazards regression was performed on participants completing ≥1 follow-up. Missing data were multiply imputed with chained equations. Machine learning penalized regression with lasso was used to select clinically plausible predictors. A total of 986 (T1D: 17%) participants were analyzed (retention rate: 86.2%) . The mean age was 51 (SD: 14.3) years, 49.6% were male, and the median duration of T1D/T2D was 12 (IQR: 14) years. Among T2D participants, 38% were on insulin (without secretagogues) , 38% on secretagogues (without insulin) , and 24% on insulin plus secretagogues. Across follow-up, 35.1% (95% CI: 32.2-38.1%) reported ≥1 SH, and the annual rate was 4.97 (95% CI: 4.13-5.99) . Combination insulin-secretagogue therapy; use of an insulin pump and continuous glucose monitoring; decreased age; increased previous SH requiring healthcare utilization; chronic kidney disease; and food insecurity predicted 1-year SH risk. The optimism adjusted c-statistic was 0.75. iNPHORM is the first long-term, prospective study on SH prediction in the general US population with T1D and T2D. Our 7-variable model can be used to identify patients at high-risk of SH, leading to more valid, cost-effective prevention strategies in the real world. Disclosure A.Ratzki-leewing: Consultant; Eli Lilly and Company, Other Relationship; Sanofi. S.B.Harris: Consultant; Abbott, AstraZeneca, Eli Lilly and Company, Novo Nordisk, Sanofi, Other Relationship; Abbott, AstraZeneca, Bayer Inc., Dexcom, Eli Lilly and Company, HLS Therapeutics, Janssen Pharmaceuticals, Inc., Novo Nordisk, Sanofi, Research Support; Applied Therapeutics Inc., AstraZeneca, Canadian Institutes of Health Research, Juvenile Diabetes Research Foundation (JDRF) , Novo Nordisk, Sanofi, The Lawson Foundation. J.E.Black: None. G.Zou: None. S.Webster-bogaert: None. B.L.Ryan: None. Funding Sanofi Global
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».