MétaCan
Menu
Retour à la cohorte
Enregistrement W4381376607 · doi:10.2337/db23-961-p

961-P: Comparison of Glucose Metrics by Capillary Blood Glucose and Continuous Glucose Monitoring among People with Type 2 Diabetes on Hemodialysis

2023· article· en· W4381376607 sur OpenAlexaboutno aff
RODOLFO J. GALINDO, AMANY Y.G. GERGES, Bobak Moazzami, LIMIN PENG, KATHERINE R. TUTTLE, Guillermo E. Umpierrez

Notice bibliographique

RevueDiabetes · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineGlycemicContinuous glucose monitoringPopulationHemodialysisType 2 diabetesBlood Glucose Self-MonitoringDiabetes mellitusType 1 diabetesInternal medicineInsulinEmergency medicinePediatricsIntensive care medicineEndocrinologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Background: Reliability of HbA1c in subjects with end-stage kidney disease treated with hemodialysis is poor. Capillary blood glucose (CBG) is widely used, but is limited to 2-4 values/day. Clinical guidelines recommend using continuous glucose monitoring (CGM) to assess glycemic control in this population, but there is limited data. Methods: Prospective observational study of insulin treated adults with type-2 diabetes (T2D) receiving hemodialysis. Subjects were instructed to wear a Dexcom G6-Pro and perform Nova StatStrip CBG at least 2-4/d for 10-days. We compared mean glucose, hypoglycaemia, and hyperglycaemia rates, time-in-target range (TIR), time above range (TAR), and time below range (TBR) between testing methods. Results: Glucose metrics are shown in Table 1. Conclusion: Compared to CBG, CGM provides a comprehensive glycemic evaluation in insulin-treated subjects with T2D on hemodialysis. CGM was superior in assessing glycemic control (TIR), detection of severe hyperglycemia and hypoglycemic excursions, particularly nocturnal and prolonged events. Safer treatment options assessed by CGM metrics are needed for this high-risk population. Disclosure R.J.Galindo: Consultant; Novo Nordisk, Eli Lilly and Company, Sanofi, Pfizer Inc., Bayer Inc., WW (Weight Watchers), Research Support; Novo Nordisk, Eli Lilly and Company, Dexcom, Inc. A.Y.G.Gerges: None. B.Moazzami: None. L.Peng: None. K.R.Tuttle: Consultant; Lilly, AstraZeneca, Gilead Sciences, Inc., Research Support; Bayer Inc., Boehringer Ingelheim (Canada) Ltd., Novo Nordisk, Goldfinch Bio, Inc., Traveere Pharmaceuticals. G.Umpierrez: Research Support; Abbott, Dexcom, Inc., Baxter.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,272
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDiabetesMême sujetDiabetes Management and ResearchTravaux en français237 207