Prediction models of diabetes complications: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Diabetes often places a large burden on people with diabetes (hereafter 'patients') and the society, that is, in part attributable to its complications. However, evidence from models predicting diabetes complications in patients remains unclear. With the collaboration of patient partners, we aimed to describe existing prediction models of physical and mental health complications of diabetes. METHODS: Building on existing frameworks, we systematically searched for studies in Ovid-Medline and Embase. We included studies describing prognostic prediction models that used data from patients with pre-diabetes or any type of diabetes, published between 2000 and 2020. Independent reviewers screened articles, extracted data and narratively synthesised findings using established reporting standards. RESULTS: Overall, 78 studies reported 260 risk prediction models of cardiovascular complications (n=42 studies), mortality (n=16), kidney complications (n=14), eye complications (n=10), hypoglycaemia (n=8), nerve complications (n=3), cancer (n=2), fracture (n=2) and dementia (n=1). Prevalent complications deemed important by patients such as amputation and mental health were poorly or not at all represented. Studies primarily analysed data from older people with type 2 diabetes (n=54), with little focus on pre-diabetes (n=0), type 1 diabetes (n=8), younger (n=1) and racialised people (n=10). Per complication, predictors vary substantially between models. Studies with details of calibration and discrimination mostly exhibited good model performance. CONCLUSION: This rigorous knowledge synthesis provides evidence of gaps in the landscape of diabetes complication prediction models. Future studies should address unmet needs for analyses of complications n> and among patient groups currently under-represented in the literature and should consistently report relevant statistics. SCOPING REVIEW REGISTRATION: https://osf.io/fjubt/.
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 | 0,027 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,014 |
| Bibliométrie | 0,019 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».