Technology Use and Diabetes Management Across Elder Age Groups in Type 1 Diabetes and Latent Auto-Immune Diabetes in Adults, a BETTER Registry Cross-Sectional Analysis
Notice bibliographique
Résumé
OBJECTIVES: Real-world data on diabetes management among a heterogenous aging population remain limited. This study aims to provide an overview of technology use and factors associated to its use, diabetes management, and psychosocial aspects experienced by adults aged 50 and over living with type 1 diabetes or latent autoimmune diabetes in adults. METHODS: This cross-sectional study analyzed data from the Canadian BETTER registry, mostly based on self-reported outcomes from individuals living with type 1 diabetes or latent autoimmune diabetes in adults. Comparative analyses were conducted across 3 age groups: 50-59, 60-69, and ≥ 70. RESULTS: Participants (n = 674) were predominantly Caucasian (97% to 98% across groups) and residing in Quebec, Canada (71% to 79%). Insulin pump use was similar across age groups (36% to 39%, P = .822), while continuous glucose monitoring was lower among those aged ≥ 70 years (85% for both 50-59 and 60-69 vs 73% for ≥ 70 years, P = .020). Among other factors, having private insurance and living outside of Quebec were positively associated with both insulin pump and continuous glucose monitoring use. A high proportion (80% to 86%) of participants achieved an HbA1c ≤ 8% across all groups. Level 2 hypoglycemia events in the last month were more frequent among participants aged 50-59 years compared to those aged ≥70 years (6.9 vs 3.4, P = .001). Level 3 hypoglycemia, social and professional support were similar between groups. Interestingly, diabetes-related distress was lower in older age groups. CONCLUSIONS: Most individuals in this cohort adopted technology use but in lower proportion among the group aged ≥70. Overall, diabetes management was good and similar between age groups.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».