Impact of <scp>HbA1c</scp> variability and time‐in‐range fluctuations on large and small nerve fiber dysfunction in well‐controlled type 2 diabetes: A prospective cohort observational study
Notice bibliographique
Résumé
AIMS/INTRODUCTION: Glycemic variability (GV) is a critical factor in the development of diabetic sensorimotor polyneuropathy (DSPN). This study aimed to evaluate the association of long-term GV, measured by glycated hemoglobin (HbA1c) average real variability (ARV), and short-term GV, assessed by time-in-range (TIR) ARV, with large and small nerve fiber dysfunction in individuals with well-controlled Type 2 Diabetes (T2D). MATERIALS AND METHODS: A prospective study conducted at a tertiary hospital in Taiwan included 82 T2D participants. Long-term GV was assessed using HbA1c ARV from visit-to-visit measurements at three-month intervals over 1 year. Short-term GV was evaluated as TIR ARV from seven-day fingerstick data collected quarterly. Large and small nerve functions were assessed using the Toronto Clinical Neuropathy Score (TCNS), nerve conduction studies, quantitative thermal testing, and Sudoscan. RESULTS: Linear regression analysis adjusted for age, diabetes duration, and renal function revealed strong correlations between HbA1c ARV, TIR ARV, and diabetes duration. At baseline, high HbA1c ARV and TIR ARV groups exhibited higher TCNS and composite nerve conduction amplitude scores but lower cold detection thresholds compared to the low median groups. At one-year follow-up, TCNS significantly increased in the high HbA1c ARV (P = 0.001) and TIR ARV (P = 0.003) groups compared to the low median groups. CONCLUSIONS: Both long-term and short-term GV significantly contribute to small and large nerve fiber dysfunction in T2D, yielding similar neurological outcomes despite stable mean glucose levels. Combining GV minimization strategies with standard glycemic control may be essential in reducing DSPN risk.
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 | 0,002 | 0,002 |
| 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 ».