Prevalence of Peripheral Neuropathy: A Cross Sectional Study among Diabetic Patients
Notice bibliographique
Résumé
Diabetes is a growing challenge in India with an estimated 8.7% diabetic patients between 20 and 70 years of age. With the rising prevalence of diabetes mellitus, there is an increasing number of people with complications of Diabetes. Neuropathy is the most common complication of Diabetes and it affects approximately half of all diabetic patients. Methods: A cross sectional study was conducted to assess the prevalence of Peripheral Neuropathy among 86 Diabetic patients selected by cluster sampling technique residing in selected wards of Thiruvattar Panchayat. The selected sample were screened for peripheral neuropathy using Toronto Clinical Neuropathy Score (TCNS). Results: The findings of the study revealed that, totally 38.4% Diabetic patients had Peripheral Neuropathy. Among them, 16.3% of diabetic patients had mild Neuropathy, 12.8% of diabetic patients had moderate Neuropathy and 9.3% of diabetic patients had severe Neuropathy. There was significant association of peripheral neuropathy with selected clinical variables such as duration of Diabetes Mellitus and Fasting Blood Sugar (p<0.000). Conclusion: The prevalence of Diabetic Peripheral Neuropathy was higher among Diabetes Mellitus patients and it has negative impact on the progression of Diabetes Mellitus.
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 | 0,003 | 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) | 0,000 | 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 ».