Postprandial glucose‐management strategies in type 1 diabetes: Current approaches and prospects with precision medicine and artificial intelligence
Notice bibliographique
Résumé
Postprandial glucose control can be challenging for individuals with type 1 diabetes, and this can be attributed to many factors, including suboptimal therapy parameters (carbohydrate ratios, correction factors, basal doses) because of physiological changes, meal macronutrients and engagement in postprandial physical activity. This narrative review aims to examine the current postprandial glucose-management strategies tested in clinical trials, including adjusting therapy settings, bolusing for meal macronutrients, adjusting pre-exercise and postexercise meal boluses for postprandial physical activity, and other therapeutic options, for individuals on open-loop and closed-loop therapies. Then we discuss their challenges and future avenues. Despite advancements in insulin delivery devices such as closed-loop systems and decision-support systems, many individuals with type 1 diabetes still struggle to manage their glucose levels. The main challenge is the lack of personalized recommendations, causing suboptimal postprandial glucose control. We suggest that postprandial glucose control can be improved by (i) providing personalized recommendations for meal macronutrients and postprandial activity; (ii) including behavioural recommendations; (iii) using other personalized therapeutic approaches (e.g. glucagon-like peptide-1 receptor agonists, sodium-glucose co-transporter inhibitors, amylin analogues, inhaled insulin) in addition to insulin therapy; and (iv) integrating an interpretability report to explain to individuals about changes in treatment therapy and behavioural recommendations. In addition, we suggest a future avenue to implement precision recommendations for individuals with type 1 diabetes utilizing the potential of deep reinforcement learning and foundation models (such as GPT and BERT), employing different modalities of data including diabetes-related and external background factors (i.e. behavioural, environmental, biological and abnormal events).
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».