MétaCan
Menu
Retour à la cohorte
Enregistrement W4387328204 · doi:10.1038/s43856-023-00371-0

Precision gestational diabetes treatment: a systematic review and meta-analyses

2023· review· en· W4387328204 sur OpenAlexaff
Jamie L. Benham, Véronique Gingras, Niamh‐Maire Mclennan, Jasper Most, Jennifer M. Yamamoto, Catherine Aiken, Susan E. Ozanne, Rebecca M. Reynolds, Deirdre K. Tobias, Jordi Merino, Abrar Ahmad, Dhanasekaran Bodhini, Amy L. Clark, Kevin Colclough, Rosa Corcoy, Sara J. Cromer, Daisy Duan, Jamie L. Felton, Ellen C. Francis, Pieter Gillard, Romy Gaillard, Eram Haider, Alice E. Hughes, Jennifer M. Iklé, Laura M. Jacobsen, Anna R. Kahkoska, Jarno L. T. Kettunen, Raymond J. Kreienkamp, Lee‐Ling Lim, Jonna M. E. Männistö, Robert Massey, Rachel G. Miller, Mario Luca Morieri, Rochelle N. Naylor, Bige Özkan, Kashyap Patel, Scott J. Pilla, Katsiaryna Prystupa, Sridharan Raghavan, Mary R. Rooney, Martin Schön, Zhila Semnani‐Azad, Magdalena Sevilla-González, Pernille Svalastoga, Wubet Worku Takele, Claudia H.T. Tam, Anne Cathrine B. Thuesen, Mustafa Tosur, Amelia S. Wallace, Caroline C. Wang, Jessie J. Wong, Katherine Young, Chloé Amouyal, Mette K. Andersen, Maxine P. Bonham, Mingling Chen, Feifei Cheng, Tinashe Chikowore, Sian C. Chivers, Christoffer Clemmensen, Dana Dabelea, Adem Y. Dawed, Aaron J. Deutsch, Laura T. Dickens, Linda A. DiMeglio, Monika Dudenhöffer‐Pfeifer, Carmella Evans‐Molina, María Mercè Fernández-Balsells, Hugo Fitipaldi, Stephanie L. Fitzpatrick, Stephen E. Gitelman, Mark O. Goodarzi, Jessica A. Grieger, Marta Guasch‐Ferré, Nahal Habibi, Torben Hansen, Chuiguo Huang, Arianna Harris-Kawano, Heba M. Ismail, Benjamin Hoag, Randi K. Johnson, Angus G. Jones, Robert W. Koivula, Aaron Leong, Gloria K. W. Leung, Ingrid Libman, Kai Liu, S. Alice Long, William L. Lowe, Robert W. Morton, Ayesha A. Motala, Suna Önengüt-Gümüşcü, James S. Pankow, Maleesa Pathirana, Sofia Pazmiño, Dianna Perez, John R. Petrie, Camille E. Powe, Alejandra Quinteros, Rashmi Jain, Debashree Ray, Mathias Ried‐Larsen, Zeb Saeed, Vanessa Santhakumar, Sarah Kanbour, Sudipa Sarkar, Gabriela S. F. Monaco, Denise Scholtens, Elizabeth Selvin, Wayne Huey‐Herng Sheu, Cate Speake, Maggie A. Stanislawski, Nele Steenackers, Andrea K. Steck, Norbert Stefan, Julie Støy, Rachael W. Taylor, Sok Cin Tye, Gebresilasea Gendisha Ukke, Marzhan Urazbayeva, Bart Van der Schueren, Camille Vatier, John M. Wentworth, Wesley Hannah, Sara L. White, Gechang Yu, Yingchai Zhang, Shao J. Zhou, Jacques Beltrand, Michel Polak, Ingvild Aukrust, Elisa De Franco, Sarah E. Flanagan, Kristin A. Maloney, Andrew McGovern, Janne Molnes, Mariam Nakabuye, Pål R. Njølstad, Hugo Pomares‐Millan, Michele Provenzano, Cécile Saint‐Martin, Cuilin Zhang, Yeyi Zhu, Sungyoung Auh, Russell J. de Souza, Andrea J. Fawcett, Chandra Gruber, Eskedar Getie Mekonnen, Emily Mixter, Diana Sherifali, Robert H. Eckel, John J. Nolan, Louis H. Philipson, Rebecca J. Brown, Liana K. Billings, Kristen E. Boyle, Tina Costacou, John Dennis, José C. Florez, Anna L. Gloyn, Maria F. Gomez, Peter A. Gottlieb, Siri Atma W. Greeley, Kurt Griffin, Andrew T. Hattersley, Irl B. Hirsch, Marie‐France Hivert, Korey K. Hood, Jami L. Josefson, Soo Heon Kwak, Lori M. Laffel, Siew Lim, Ruth J. F. Loos, Ronald C.W., Chantal Mathieu, Nestoras Mathioudakis, James B. Meigs, Shivani Misra, Viswanathan Mohan, Rinki Murphy, Richard A. Oram, Katharine R. Owen, Ewan R. Pearson, Wei Perng, Toni I. Pollin, Rodica Pop‐Busui, Richard E. Pratley, Leanne M. Redman, María J. Redondo, Robert K. Semple, Jennifer L. Sherr, Emily K. Sims, Arianne Sweeting, Miriam S. Udler, Kimberly K. Vesco, Tina Vilsbøll, Róbert Wágner, Stephen S. Rich, Paul W. Franks

Notice bibliographique

RevueCommunications Medicine · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueGestational Diabetes Research and Management
Établissements canadiensUniversité de MontréalPopulation Health Research InstituteUniversity of ManitobaUniversité de SherbrookeMcMaster UniversityCentre Hospitalier Universitaire Sainte-JustineImpactUniversity of Calgary
Organismes subventionnairesMedical Research CouncilNovo Nordisk FondenEuropean Association for the Study of DiabetesLunds UniversitetBritish Heart FoundationWellcome Trust
Mots-clésGestational diabetesMedicinePsychological interventionClinical PracticeMetforminPregnancyIntensive care medicineInsulinInternal medicineGestationPhysical therapy

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Gestational Diabetes Mellitus (GDM) affects approximately 1 in 7 pregnancies globally. It is associated with short- and long-term risks for both mother and baby. Therefore, optimizing treatment to effectively treat the condition has wide-ranging beneficial effects. However, despite the known heterogeneity in GDM, treatment guidelines and approaches are generally standardized. We hypothesized that a precision medicine approach could be a tool for risk-stratification of women to streamline successful GDM management. With the relatively short timeframe available to treat GDM, commencing effective therapy earlier, with more rapid normalization of hyperglycaemia, could have benefits for both mother and fetus. METHODS: We conducted two systematic reviews, to identify precision markers that may predict effective lifestyle and pharmacological interventions. RESULTS: There was a paucity of studies examining precision lifestyle-based interventions for GDM highlighting the pressing need for further research in this area. We found a number of precision markers identified from routine clinical measures that may enable earlier identification of those requiring escalation of pharmacological therapy (to metformin, sulphonylureas or insulin). This included previous history of GDM, Body Mass Index and blood glucose concentrations at diagnosis. CONCLUSIONS: Clinical measurements at diagnosis could potentially be used as precision markers in the treatment of GDM. Whether there are other sensitive markers that could be identified using more complex individual-level data, such as omics, and if these can feasibly be implemented in clinical practice remains unknown. These will be important to consider in future studies.

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)0,013
score de la tête « metaresearch » (Gemma)0,047
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,047
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0160,028
Bibliométrie0,0070,008
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,553
Tête enseignante GPT0,549
Écart entre enseignants0,004 · 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'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

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

En bref

Citations29
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCommunications MedicineMême sujetGestational Diabetes Research and ManagementTravaux en français237 207