Notice bibliographique
Résumé
PURPOSE OF REVIEW: Type 1 (T1D) and 2 diabetes (T2D) are associated with increased risk of fracture independent of bone mineral density (BMD). Fracture risk prediction tools can identify individuals at highest risk, and therefore, most likely to benefit from antifracture therapy. This review summarizes recent advances in fracture prediction tools as applied to individuals with diabetes. RECENT FINDINGS: The Fracture Risk Assessment (FRAX) tool, Garvan Fracture Risk Calculator (FRC), and QFracture tool are validated tools for fracture risk prediction. FRAX is most widely used internationally, and considers T1D (but not T2D) under secondary osteoporosis disorders. FRAX underestimates fracture risk in both T1D and T2D. Trabecular bone score and other adjustments for T2D-associated risk improve FRAX-based estimations. Similar adjustments for T1D are not identified. Garvan FRC does not incorporate diabetes as an input but does includes falls. Garvan FRC slightly underestimates osteoporotic fracture risk in women with diabetes. QFracture incorporates both T1D and T2D and falls as input variables, but has not been directly validated in individuals with diabetes. SUMMARY: Further research is needed to validate and compare available fracture prediction tools and their performance in individuals with diabetes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,003 |
| 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 ».