The Diabetes Technology Society Error Grid and Trend Accuracy Matrix for Glucose Monitors
Notice bibliographique
Résumé
INTRODUCTION: An error grid compares measured versus reference glucose concentrations to assign clinical risk values to observed errors. Widely used error grids for blood glucose monitors (BGMs) have limited value because they do not also reflect clinical accuracy of continuous glucose monitors (CGMs). METHODS: Diabetes Technology Society (DTS) convened 89 international experts in glucose monitoring to (1) smooth the borders of the Surveillance Error Grid (SEG) zones and create a user-friendly tool-the DTS Error Grid; (2) define five risk zones of clinical point accuracy (A-E) to be identical for BGMs and CGMs; (3) determine a relationship between DTS Error Grid percent in Zone A and mean absolute relative difference (MARD) from analyzing 22 BGM and nine CGM accuracy studies; and (4) create trend risk categories (1-5) for CGM trend accuracy. RESULTS: The DTS Error Grid for point accuracy contains five risk zones (A-E) with straight-line borders that can be applied to both BGM and CGM accuracy data. In a data set combining point accuracy data from 18 BGMs, 2.6% of total data pairs equally moved from Zones A to B and vice versa (SEG compared with DTS Error Grid). For every 1% increase in percent data in Zone A, the MARD decreased by approximately 0.33%. We also created a DTS Trend Accuracy Matrix with five trend risk categories (1-5) for CGM-reported trend indicators compared with reference trends calculated from reference glucose. CONCLUSION: The DTS Error Grid combines contemporary clinician input regarding clinical point accuracy for BGMs and CGMs. The DTS Trend Accuracy Matrix assesses accuracy of CGM trend indicators.
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 | 0,001 | 0,001 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».