530-P: Capillary Blood Ketone Level and the Prediction of Future Diabetic Ketoacidosis Risk in Type 1 Diabetes
Notice bibliographique
Résumé
Identification of those at risk of diabetic ketoacidosis (DKA) in T1D is challenging. Rather than during illness while DKA is developing, we aimed to determine if levels of routine point-of-care capillary blood ketones could predict DKA months prior to the event. In exploratory analysis, we examined 484 participants randomly assigned to placebo in an adjunct-to-insulin medication trial program (NCT02414958 and NCT02580591). Participants provided morning fasted capillary blood ketone levels twice per week via electronic logbook, and we calculated the maximum and mean level for each individual during a 2-month baseline period. Outcome was the 6 to 12-month occurrence of trial-adjudicated DKA. Area under the Curve (AUC) for the Receiver Operator Characteristic curves were generated. In sensitivity analysis we applied supervised machine learning methods (gradient-boosted trees). Participants had median age 43 [IQR 33, 54], mean HbA1c 8.2±0.6 percent, and provided 2 [1, 4] ketone measurements per week. Twelve DKA events occurred at median 105 [43, 199] days. Maximum and mean ketone levels were higher at baseline for the 12 cases compared to controls (for example, maximum ketone level 0.8 [0.6, 1.2] compared to 0.3 [0.2, 0.7] mmol/L, p=0.002). Maximum ketone level had AUC of 0.769 (95% CI 0.655-0.883). Maximum ketone ≥0.8 mmol/L had sensitivity 64%, specificity 78%, and likelihood ratios positive and negative of 2.9 and 0.5. Machine learning methods outperformed the single-metric analyses. Results provide proof-of-concept that routine capillary ketone surveillance can identify individuals at high-risk of future DKA. Simple or complex machine learning algorithms could be implemented in ketone meters or in future continuous ketone measurement technology. Disclosure C.Song: None. D.Cherney: Other Relationship; Boehringer Ingelheim-Lilly, Merck, AstraZeneca, Sanofi, Mitsubishi-Tanabe, Abbvie, Janssen, Bayer, Prometic, BMS, Maze, Gilead, CSL-Behring, Otsuka, Novartis, Youngene, Lexicon and Novo-Nordisk, Research Support; Boehringer Ingelheim-Lilly, Merck, Janssen, Sanofi, AstraZeneca, CSL-Behring and Novo-Nordisk. D.Mumford: None. G.Tomlinson: None. L.Lovblom: None. B.A.Perkins: Advisory Panel; Dexcom, Inc., Insulet Corporation, Novo Nordisk, Sanofi, Vertex Pharmaceuticals Incorporated, Other Relationship; Abbott, Medtronic, Sanofi, Research Support; Novo Nordisk, Bank of Montreal (BMO). S.Dhaliwal: None. P.Bapat: None. A.M.K.Bakhsh: None. D.R.Budhram: None. D.Scarr: None. A.Weisman: None. M.Fralick: None. N.Ivers: Consultant; Novo Nordisk Canada Inc., IQVIA Inc. Funding Diabetes Canada (OG-3-21-5572-BP)
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».