Early Detection of Diabetic Neuropathy Based on Health Belief Model: A Scoping Review
Notice bibliographique
Résumé
Abstract Introduction Uncontrolled blood sugar levels may result in complications, namely diabetic neuropathy. Diabetic neuropathy is a nerve disorder that causes symptoms of numbness, foot deformity, dry skin, and thickening of the feet. The severity of diabetic neuropathy carries the risk of developing diabetic ulcers and amputation. Early detection of diabetic neuropathy can prevent the risk of diabetic ulcers. Methods This research studied articles in 6 databases via Scopus, Ebsco, Pubmed, Sage journal, Science Direct, and Springer link with the keywords “screening Neuropathy” AND “Detection Neuropathy” AND “Scoring Neuropathy” AND “Diabetic” published in 2019-2023. This study identified articles based on the English language, variables, and population. This research used PRISMA Flow-Chart 2020 to record the article filtering process. Results This research identified articles through PRISMA Flow-Chart 2020, obtaining 25 articles that discussed early detection of diabetic neuropathy. Conclusion Early detection of diabetic neuropathy prevents the occurrence of diabetic neuropathy. The method for early detection of neuropathy is using a neuropathy questionnaire and physical examination. Neuropathy questionnaires are Michigan Neuropathy Screening Instrument (MNSI), Toronto Clinical Neuropathy Score (TCNS), and Diabetic Neuropathy Classification (BDC). Physical examination tools include biotesimeters, vibrations, neurotesimeters, tuning forks, monofilament threads, ultrasonography (USG) results, artificial intelligence (AI), and nomograms.
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 | 0,007 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».