Clinical and Electrophysiological Characterization of Diabetic Neuropathy in a Sub‐Saharan African Cohort
Notice bibliographique
Résumé
BACKGROUND: Diabetic neuropathy (DN) is the most frequent complication of diabetes mellitus, contributing to increased morbidity and mortality. Previous clinical studies on DN in sub-Saharan Africa (sSA) have used purely clinical approaches, potentially underestimating the true magnitude of this disease. This study was designed to determine the prevalence of definite diabetic neuropathy and describe the different subtypes using objective small and large fiber function measures. METHODS: This was a hospital-based cross-sectional study that included diabetes and prediabetes patients, followed up at Jordan Medical Services, Yaoundé, Cameroon, between March 2022 and February 2023. The "Toronto Clinical Neuropathy Score" and "Douleur Neuropathique en 4" questionnaires were used for clinical evaluation. Autonomic symptoms were equally recorded. Nerve conduction studies and Sudoscan were used for electrophysiological assessments of large and small fibre functions. RESULTS: Eighty-four participants were included; 91.7% had type 2 DM, 2.4% had type 1 DM, and 6% had glucose intolerance. DN was found in 73/84 (86.9%). Diabetic sensorimotor polyneuropathy (DSP) was the most frequent subtype (63.8%), followed by diabetic autonomic neuropathy (40.5%), mononeuropathy (36.9%), asymmetric axonal sensory neuropathy (4.8%) and treatment-induced neuropathy of diabetes (TIND) in 1.2% of patients. The prevalence of large and small fibre neuropathies was 38.1% and 25.0%, respectively. CONCLUSION: The prevalence of DN and specifically DSP in our study was higher than previously described in African literature. We identified subtypes never before reported in sSA, mainly small fibre neuropathy and TIND. This may have management and policy implications.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».