Time in Range: Unveiling the Correlation with Diabetic Retinopathy in Type 2 Diabetes: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Objective: Research has established an association between glycemic control and retinopathy progression; however, the use of continuous glucose monitoring (CGM) and diabetic retinopathy (DR) progression remains less explored. Our study aims to explore the link between time in range (TIR) and DR and its clinical implications. Materials and methods: Following the Preferred Reporting Items for Systematic Review and Meta-Analysis (PRISMA) 2020 guideline, we conducted a systematic review by searching databases such as PubMed, EBSCO, and ProQuest, supplemented by manual exploration. Studies reporting TIR or other CGM-derived metrics in association with DR were included. The quality of each study was evaluated using the Newcastle-Ottawa Scale (NOS). Review Manager 5.4 software, was used to performed a meta-analysis with random-effects model. Results: The meta-analysis of five studies indicated significant associations between CGM-derived metrics and diabetic retinopathy. TIR exhibited a mean difference of –6.44 (95% CI: –8.10, –4.78, p < 0.001), standard deviation (SD) showed a mean difference of 0.20 (95% CI: 0.16, 0.24, p < 0.001), mean amplitude of glycemic excursion (MAGE) displayed a mean difference of 0.45 (95% CI: 0.31, 0.58, p < 0.001), and coefficient of variation (CV) demonstrated a mean difference of –0.99 (95% CI: 0.43, 1.55, p = 0.0006). Stratification by TIR percentage (< 70% vs. ≥ 70%) revealed an odds ratio of 2.06 (95% CI: 0.85, 4.97, p = 0.11) for diabetic retinopathy risk, although statistically insignificant. Conclusions: Lower TIR is significantly associated with DR in T2D patients. Furthermore, higher SD, MAGE, and CV were linked to the presence of DR.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».