Early Detection of Elevated Ketone Bodies in Type 1 Diabetes Using Insulin and Glucose Dynamics Across Age Groups: Model Development Study
Notice bibliographique
Résumé
Background: Diabetic ketoacidosis represents a significant and potentially life-threatening complication of diabetes, predominantly observed in individuals with type 1 diabetes (T1D). Studies have documented suboptimal adherence to diabetes management among children and adolescents, as evidenced by deficient ketone monitoring practices. Objective: The aim of the study was to explore the potential for prediction of elevated ketone bodies from continuous glucose monitoring (CGM) and insulin data in pediatric and adult patients with T1D using a closed-loop system. Methods: Participants used the Dexcom G6 CGM system and the iLet Bionic Pancreas system for insulin administration for up to 13 weeks. We used supervised binary classification machine learning, incorporating feature engineering to identify elevated ketone bodies (>0.6 mmol/L). Features were derived from CGM, insulin delivery data, and self-monitoring of blood glucose to develop an extreme gradient boosting-based prediction model. A total of 259 participants aged 6-79 years with over 49,000 days of full-time monitoring were included in the study. Results: Among the participants, 1768 ketone samples were eligible for modeling, including 383 event samples with elevated ketone bodies (≥0.6 mmol/L). Insulin, self-monitoring of blood glucose, and current glucose measurements provided discriminative information on elevated ketone bodies (receiver operating characteristic area under the curve [ROC-AUC] 0.64-0.69). The CGM-derived features exhibited stronger discrimination (ROC-AUC 0.75-0.76). Integration of all feature types resulted in an ROC-AUC estimate of 0.82 (SD 0.01) and a precision recall-AUC of 0.53 (SD 0.03). Conclusions: CGM and insulin data present a valuable avenue for early prediction of patients at risk of elevated ketone bodies. Furthermore, our findings indicate the potential application of such predictive models in both pediatric and adult populations with T1D.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».