Consensus Recommendations for the Use of Automated Insulin Delivery Technologies in Clinical Practice
Notice bibliographique
Résumé
The significant and growing global prevalence of diabetes continues to challenge people with diabetes (PwD), healthcare providers, and payers. While maintaining near-normal glucose levels has been shown to prevent or delay the progression of the long-term complications of diabetes, a significant proportion of PwD are not attaining their glycemic goals. During the past 6 years, we have seen tremendous advances in automated insulin delivery (AID) technologies. Numerous randomized controlled trials and real-world studies have shown that the use of AID systems is safe and effective in helping PwD achieve their long-term glycemic goals while reducing hypoglycemia risk. Thus, AID systems have recently become an integral part of diabetes management. However, recommendations for using AID systems in clinical settings have been lacking. Such guided recommendations are critical for AID success and acceptance. All clinicians working with PwD need to become familiar with the available systems in order to eliminate disparities in diabetes quality of care. This report provides much-needed guidance for clinicians who are interested in utilizing AIDs and presents a comprehensive listing of the evidence payers should consider when determining eligibility criteria for AID insurance coverage.
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 | 0,112 | 0,276 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,010 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,014 | 0,008 |
| Intégrité de la recherche | 0,023 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,017 |
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 ».