Use of Machine Learning to Predict Individual Postprandial Glycemic Responses to Food Among Individuals With Type 2 Diabetes in India: Protocol for a Prospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Type 2 diabetes (T2D) is a leading cause of premature morbidity and mortality globally and affects more than 100 million people in the world's most populous country, India. Nutrition is a critical and evidence-based component of effective blood glucose control and most dietary advice emphasizes carbohydrate and calorie reduction. Emerging global evidence demonstrates marked interindividual differences in postprandial glucose response (PPGR) although no such data exists in India and previous studies have primarily evaluated PPGR variation in individuals without diabetes. OBJECTIVE: This prospective cohort study seeks to characterize the PPGR variability among individuals with diabetes living in India and to identify factors associated with these differences. METHODS: of ≥7 are being enrolled from 14 sites around India. Participants wear a continuous glucose monitor, eat a series of standardized meals, and record all free-living foods, activities, and medication use for a 14-day period. The study's primary outcome is PPGR, calculated as the incremental area under the curve 2 hours after each logged meal. RESULTS: Data collection commenced in May 2022, and the results will be ready for publication by September 2025. Results from our study will generate data to facilitate the creation of machine learning models to predict individual PPGR responses and to facilitate the prescription of personalized diets for individuals with T2D. CONCLUSIONS: This study will provide the first large scale examination variability in blood glucose responses to food in India and will be among the first to estimate PPGR variability for individuals with T2D in any jurisdiction. TRIAL REGISTRATION: Clinical Trials Registry-India CTRI/2022/02/040619; https://tinyurl.com/mrywf6bf. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/59308.
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 | 0,023 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,007 |
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 ».