Glycemic Outcomes and Feature Set Engagement Among Real-Time Continuous Glucose Monitoring Users With Type 1 or Non–Insulin-Treated Type 2 Diabetes: Retrospective Analysis of Real-World Data
Notice bibliographique
Résumé
BACKGROUND: The benefits of real-time continuous glucose monitoring (RT-CGM) are well established for patients with type 1 diabetes (T1D) and patients with insulin-treated type 2 diabetes (T2D). However, the usage and effectiveness of RT-CGM in the context of non-insulin-treated T2D has not been well studied. OBJECTIVE: We aimed to assess glycemic metrics and rates of RT-CGM feature utilization in users with T1D and non-insulin-treated T2D. METHODS: We retrospectively analyzed data from 33,685 US-based users of an RT-CGM system (Dexcom G6; Dexcom, Inc) who self-identified as having either T1D (n=26,706) or T2D and not using insulin (n=6979). Data included glucose concentrations, alarm settings, feature usage, and event logs. RESULTS: The T1D cohort had lower proportions of glucose values in the 70 mg/dl to 180 mg/dl range than the T2D cohort (52.1% vs 70.8%, respectively), with more values indicating hypoglycemia or hyperglycemia and higher glycemic variability. Discretionary alarms were enabled by a large majority in both cohorts. The data sharing feature was used by 38.7% (10,327/26,706) of those with T1D and 10.4% (727/6979) of those with T2D, and the mean number of followers was higher in the T1D cohort. Large proportions of patients with T1D or T2D enabled and customized their glucose alerts. Retrospective analysis features were used by the majority in both cohorts (T1D: 15,783/26,706, 59.1%; T2D: 3751/6979, 53.8%). CONCLUSIONS: Similar to patients with T1D, patients with non-insulin-treated T2D used RT-CGM system features, suggesting beneficial, routine engagement with data by patients and others involved in their care. Motivated patients with diabetes could benefit from RT-CGM 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».