A Statistical Simulation to Evaluate the Robustness of Hb A1c Measurement in the Presence of Quantitative Error
Notice bibliographique
Résumé
BACKGROUND: The performance requirements for hemoglobin (Hb) A1c analysis have been questioned as analytic methods have improved. We developed a statistical simulation that relates error to the clinical utility of an oft-used laboratory test, as a means of assessing test performance expectations. METHODS: Finite mixture modeling of the Centers for Disease Control and Prevention-National Health and Nutrition Examination Survey (NHANES) 2017-2020 Hb A1c data in conjunction with Monte Carlo sampling were used to model and simulate a population prior to the introduction of error into the results. The impact of error on clinical utility was assessed by categorizing the results using the American Diabetes Association (ADA) diagnostic criteria and assessing the sensitivity and specificity of Hb A1c under various degrees of error (bias and imprecision). RESULTS: With the current allowable total error threshold of 6% for Hb A1c measurement, the simulation estimated a worst case between 50% and 60% for both test sensitivity and specificity for the non-diabetic category. Similarly, sensitivity and specificity estimates for the pre-diabetic category were 30% to 40% and 60% to 70%, respectively. Finally, estimates for the diabetic category yielded values of 80% to 90% for sensitivity and >90% for specificity. CONCLUSIONS: Bias and imprecision greatly affect the clinical utility of Hb A1c for all patient groups. The simulated error demonstrated in this modeling impacts 3 critical applications of the Hb A1c in diabetes management: the capacity to reliably screen, diagnostic accuracy, and utility in diabetes monitoring.
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 | 0,016 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».