203-LB: Prevalence and Risk Factors of Diabetic Peripheral Neuropathy—A Population-Based Cross-Sectional Study in China
Notice bibliographique
Résumé
Aims: To assess the prevalence of diabetic peripheral neuropathy (DPN) and its risk factors in the type 2 diabetes mellitus (T2DM) population. Methods: This cross-sectional study enrolled patients with T2DM between July and December 2017 from 24 provinces in China. DPN and its severity were assessed by the Toronto clinical scoring system, neuropathy symptoms score and neuropathy disability score. The prevalence of DPN and its risk factors were analyzed. Results: A total of 14,908 patients with T2DM were enrolled. The prevalence of DPN was 67.6%. Among 10,084 patients with DPN, 4808 (47.7%), 3325 (33.0%), and 1951 (19.3%) had mild, moderate, and severe DPN, respectively. The prevalence of DPN was over 70% in patients aged ≥60 years, with low income (<5000 RMB) and education level of primary school or below. The comorbidities and complications in patients with DPN were higher than in those without DPN (P<0.001). Age, hypertension, duration of diabetes, diabetic retinopathy, diabetic nephropathy, glycated hemoglobin, high-density lipoprotein cholesterol, and lower estimated glomerular filtration rate were positively associated with DPN, while BMI, education level, fasting C-peptide, and uric acid were negatively associated with DPN. Conclusions: Among patients with T2DM in China, the prevalence of DPN is high, especially in the elderly, low-income, and undereducated patients. Disclosure W. Wang: None. Q. Ji: None. X. Ran: None. C. Li: None. Y. Xue: None. B. Feng: None. D. Zhu: None. Funding Chinese Diabetes Society (2019YJ017)
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».