Notice bibliographique
Résumé
Aims: <br/>Misclassification of diabetes types (type 1, type 2 and MODY) is common, affecting 7%–15% of type 1 and 2 cases and 77% of MODY cases. We developed a decision support tool using validated prediction models to automatically search primary care systems and identify patients with diabetes at high probability of misclassification, and who may benefit from further investigations or referral to secondary care. This study evaluates the feasibility and acceptability of using this tool to improve diabetes classification in adults diagnosed ≤50 years.<br/><br/>Methods: <br/>A mixed-methods, non-randomised intervention study across 12 primary care practices in the Southwest and East Midlands, UK. Feasibility is assesed through practice uptake, data quality, misclassification rates and practitioner workload. Acceptability is explored via one-to-one qualitative interviews with up to 40 practice staff and patients and thematically analysed.<br/><br/>Results: <br/>Eleven practices have run the tool (mean practice size: 15,623), identifying a mean of 27 patients with diabetes per practice with potential misclassification: 3 with a high probability of MODY, 12 coded as type 1 but more likely type 2 and 12 coded as type 2 but more likely type 1. Preliminary qualitative data suggest the tool can help to audit miscoding and improve patient care. Practice staff reported that the tool was easy to use, though embedding in primary care systems was preferred.<br/><br/>Conclusions: <br/>The DePICtion tool shows promise for improving diabetes classification and is potentially acceptable to both practitioners and patients. Further refinement could ensure better diagnosis and management for more patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».