Great diversity in the utilization and reporting of latent growth modeling approaches in type 2 diabetes: A literature review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: 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: , 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.
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 | 0,024 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle