A Randomized Crossover Trial to Compare Automated Insulin Delivery (the Artificial Pancreas) With Carbohydrate Counting or Simplified Qualitative Meal-Size Estimation in Type 1 Diabetes
Notice bibliographique
Résumé
OBJECTIVE: Qualitative meal-size estimation has been proposed instead of quantitative carbohydrate (CHO) counting with automated insulin delivery. We aimed to assess the noninferiority of qualitative meal-size estimation strategy. RESEARCH DESIGN AND METHODS: We conducted a two-center, randomized, crossover, noninferiority trial to compare 3 weeks of automated insulin delivery with 1) CHO counting and 2) qualitative meal-size estimation in adults with type 1 diabetes. Qualitative meal-size estimation categories were low, medium, high, or very high CHO and were defined as <30 g, 30-60 g, 60-90 g, and >90 g CHO, respectively. Prandial insulin boluses were calculated as the individualized insulin to CHO ratios multiplied by 15, 35, 65, and 95, respectively. Closed-loop algorithms were otherwise identical in the two arms. The primary outcome was time in range 3.9-10.0 mmol/L, with a predefined noninferiority margin of 4%. RESULTS: A total of 30 participants completed the study (n = 20 women; age 44 (SD 17) years; A1C 7.4% [0.7%]). The mean time in the 3.9-10.0 mmol/L range was 74.1% (10.0%) with CHO counting and 70.5% (11.2%) with qualitative meal-size estimation; mean difference was -3.6% (8.3%; noninferiority P = 0.78). Frequencies of times at <3.9 mmol/L and <3.0 mmol/L were low (<1.6% and <0.2%) in both arms. Automated basal insulin delivery was higher in the qualitative meal-size estimation arm (34.6 vs. 32.6 units/day; P = 0.003). CONCLUSIONS: Though the qualitative meal-size estimation method achieved a high time in range and low time in hypoglycemia, noninferiority was not confirmed.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 ».