Great diversity in the utilization and reporting of latent growth modeling approaches in type 2 diabetes: A literature review
Notice bibliographique
Résumé
Introduction The progression of complications of type 2 diabetes (T2D) is unique to each patient and can be depicted through individual temporal trajectories. Latent growth modeling approaches (latent growth mixture models [LGMM] or latent class growth analysis [LCGA]) can be used to classify similar individual trajectories in a priori non-observed groups (latent groups), sharing common characteristics. Although increasingly used in the field of T2D, many questions remain regarding the utilization of these methods. Objective To review the literature of longitudinal studies using latent growth modeling approaches to study T2D. Methods MEDLINE (Ovid), EMBASE, CINAHL and Wb of Science were searched through August 25 th , 2021. Data was collected on the type of latent growth modeling approaches (LGMM or LCGA), characteristics of studies and quality of reporting using the GRoLTS-Checklist and presented as frequencies. Results From the 4,694 citations screened, a total of 38 studies were included. The studies were published beetween 2011 and 2021 and the length of follow-up ranged from 8 weeks to 14 years. Six studies used LGMM, while 32 studies used LCGA. The fields of research varied from clinical research, psychological science, healthcare utilization research and drug usage/pharmaco-epidemiology. Data sources included primary data (clinical trials, prospective/retrospective cohorts, surveys), or secondary data (health records/registries, medico-administrative). Fifty percent of studies evaluated trajectory groups as exposures for a subsequent clinical outcome, while 24% used predictive models of group membership and 5% used both. Regarding the quality of reporting, trajectory groups were adequately presented, however many studies failed to report important decisions made for the trajectory group identification. Conclusion Although LCGA were preferred, the contexts of utilization were diverse and unrelated to the type of methods. We recommend future authors to clearly report the decisions made regarding trajectory groups identification.
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 | 0,049 | 0,175 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,033 | 0,033 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».