The Type 1 Diabetes and EXercise Initiative: Predicting Hypoglycemia Risk During Exercise for Participants with Type 1 Diabetes Using Repeated Measures Random Forest
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
Objective: Exercise is known to increase the risk for hypoglycemia in type 1 diabetes (T1D) but predicting when it may occur remains a major challenge. The objective of this study was to develop a hypoglycemia prediction model based on a large real-world study of exercise in T1D. Research Design and Methods: Structured study-specified exercise (aerobic, interval, and resistance training videos) and free-living exercise sessions from the T1D Exercise Initiative study were used to build a model for predicting hypoglycemia, a continuous glucose monitoring value <70 mg/dL, during exercise. Repeated measures random forest (RMRF) and repeated measures logistic regression (RMLR) models were constructed to predict hypoglycemia using predictors at the start of exercise and baseline characteristics. Models were evaluated with area under the receiver operating characteristic curve (AUC) and balanced accuracy. Results: RMRF and RMLR had similar AUC (0.833 vs. 0.825, respectively) and both models had a balanced accuracy of 77%. The probability of hypoglycemia was higher for exercise sessions with lower pre-exercise glucose levels, negative pre-exercise glucose rates of change, greater percent time <70 mg/dL in the 24 h before exercise, and greater pre-exercise bolus insulin-on-board (IOB). Free-living aerobic exercises, walking/hiking, and physical labor had the highest probability of hypoglycemia, while structured exercises had the lowest probability of hypoglycemia. Conclusions: RMRF and RMLR accurately predict hypoglycemia during exercise and identify factors that increase the risk of hypoglycemia. Lower glucose, decreasing levels of glucose before exercise, and greater pre-exercise IOB largely predict hypoglycemia risk in adults with T1D.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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