Competing Risks Model to Evaluate Dropout Dynamics Among the Type 1 Diabetes Patients Registered with the Changing Diabetes in Children (CDiC) Program
Notice bibliographique
Résumé
Understanding the survival dynamics of registered patients on a disease control program is a vital issue for the success of program objectives. Dropout of registered patients from such a program is a critical issue, hindering the effectiveness of the program. This study aimed to identify the risk factors of dropout of patients who were registered on the Changing Diabetes in Children (CDiC) program, taking a case of Uganda. Survival analysis was done by integrating competing risk of factors associated with attrition from the CDiC program. The data for the study was obtained from patients with type 1 diabetes mellitus (T1DM) registered during 2009-2018 at health units with specialized pediatric diabetes clinics from various regions in Uganda. The study considered follow-up data of 1132 children with T1DM. Our analysis revealed that the Body Mass Index (BMI) significantly influences dropout time, with patients classified as underweight showing higher hazards than those with normal BMI. Moreover, when considering competing risks, dropout hazards increased. Comparing the Cox model with the Fine and Gray model shows the latter exhibiting a smaller AIC value, which indicates its superiority in the time-to-dropout analysis. Thus, utilizing methods that integrate competing risks for CDiC dropout analysis is preferable and recommended for related studies. These findings provide actionable insights for enhancing CDiC program efficacy.
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 | 0,020 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».