Predicting Hypoglycemia and Hyperglycemia Risk During and After Activity for Adolescents with Type 1 Diabetes
Notice bibliographique
Résumé
Objective: To predict hypoglycemia and hyperglycemia risk during and after activity for adolescents with type 1 diabetes (T1D) using real-world data from the Type 1 Diabetes Exercise Initiative Pediatric (T1DEXIP) study. Methods: Adolescents with T1D ( n = 225; [mean ± SD] age = 14 ± 2 years; HbA1c = 7.1 ± 1.3%; T1D duration = 5 ± 4 years; 56% using hybrid closed loop), wearing continuous glucose monitors (CGMs), logged 3738 total activities over 10 days. Repeated Measures Random Forest (RMRF) and Repeated Measures Logistic Regression (RMLR) models were used to predict a composite risk of hypoglycemia (<70 mg/dL) and hyperglycemia (>250 mg/dL) within 2 h after starting exercise. Results: RMRF achieved high precision predicting composite risk and was more accurate than RMLR Area under the receiver operating characteristic curve (AUROC 0.737 vs. 0.661; P < 0.001). Activities with minimal composite risk had a starting glucose between 132 and 160 mg/dL and a glucose rate of change at activity start between −0.4 and −1.9 mg/dL/min. Time <70 mg/dL and time >250 mg/dL during the prior 24 h, HbA1c level, and insulin on board at activity start were also predictive. Separate models explored factors at the end of activity; activities with glucose between 128 and 133 mg/dL and glucose rate of change between 0.4 and −0.6 mg/dL/min had minimal composite risk. Conclusions: Physically active adolescents with T1D should aim to start exercise with an interstitial glucose between 130 and 160 mg/dL with a flat or slightly decreasing CGM trend to minimize risk for developing dysglycemia. Incorporating factors such as historical glucose and insulin can improve prediction modeling for the acute glucose responses to exercise.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».