The role of mental disorders in precision medicine for diabetes: a narrative review
Notice bibliographique
Résumé
This narrative review aims to examine the value of addressing mental disorders as part of the care of people with type 1 and type 2 diabetes in terms of four components of precision medicine. First, we review the empirical literature on the role of common mental disorders in the development and outcomes of diabetes (precision prevention and prognostics). We then review interventions that can address mental disorders in individuals with diabetes or at risk of diabetes (precision treatment) and highlight recent studies that have used novel methods to individualise interventions, in person and through applications, based on mental disorders. Additionally, we discuss the use of detailed assessment of mental disorders using, for example, mobile health technologies (precision monitoring). Finally, we discuss future directions in research and practice and challenges to addressing mental disorders as a factor in precision medicine for diabetes. This review shows that several mental disorders are associated with a higher risk of type 2 diabetes and its complications, while there is suggestive evidence indicating that treating some mental disorders could contribute to the prevention of diabetes and improve diabetes outcomes. Using technologically enabled solutions to identify mental disorders could help individuals who stand to benefit from particular treatments. However, there are considerable gaps in knowledge and several challenges to be met before we can stratify treatment recommendations based on mental disorders. Overall, this review demonstrates that addressing mental disorders as a facet of precision medicine could have considerable value for routine diabetes care and has the potential to improve diabetes outcomes.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».