371-P: Predicting Real-World Nonsevere Hypoglycemia in Americans with Diabetes (iNPHORM)
Notice bibliographique
Résumé
Iatrogenic non-severe hypoglycemia (NSH) is a common and known precursor of severe hypoglycemia. Still, virtually no valid risk estimators exist to predict daytime and nocturnal NSH (NSDH, NSNH) in the general US population with diabetes. To redress this gap, we analyzed primary, self-reported data from the 1-year, prospective iNPHORM study. 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. Twelve monthly emailed questionnaires assessed NSH risk. Prognostic models were built for recurrent 30-day NSDH and NSNH using negative binomial and machine learning penalized regression with lasso. Missing data were multiply imputed with chained equations. N=986 were analyzed (T1D: 17%; age: 51 [SD: 14.3] years; male: 49.6%; T1D/T2D duration: 12 [IQR: 14] years; retention rate: 86.2%) . Among T2D respondents, 38% were on insulin alone, 38% secretagogues alone, and 24% insulin plus secretagogues. Follow-up incidence proportions and 30-day rates of NSDH and NSNH were 79.6% (95% CI: 77.0-82.0%) and 1.70 (95% CI: 1.59-1.82) , and 53.7% (95% CI: 50.5-56.7%) and 0.69 (95% CI: 0.64-0.75) , respectively. Risks of 30-day NSDH and NSNH increased with insulin+secretagogue therapy; A1C≤7%; insulin pump, continuous glucose monitoring, beta blockers, and antibiotics use; decreased number of medications; T1D and diabetes education; increased past severe hypoglycemia requiring healthcare; chronic kidney disease; depression; food insecurity; lack of insurance; younger age; female sex; and White race; risks decreased with A1C≥7.1%, cognitive impairment, hypoglycemia unawareness, and insurance. As well, higher income predicted NSNH risk. The optimism adjusted c-statistics for NSDH and NSNH risks were 0.78 and 0.77, respectively. As the first US study to prospectively estimate real-world NSDH and NSNH risk, iNPHORM provides important insight into individual-level event detection and prevention. 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 | 0,010 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».