MétaCan
Menu
Retour à la cohorte
Enregistrement W4410846226 · doi:10.1101/2025.05.29.25328403

Glucose-lowering effects of physical activity in type 1 diabetes: A causal modelling and matched-pair analysis approach

2025· preprint· en· W4410846226 sur OpenAlexfundno aff
Catherine L. Russon, John Pemberton, Brad Metcalf, Emma Cockcroft, Michael Allen, Robert Andrews

Notice bibliographique

RevuemedRxiv · 2025
Typepreprint
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensnon disponible
Organismes subventionnairesYork UniversityLeona M. and Harry B. Helmsley Charitable Trust
Mots-clésType 2 diabetesPhysical activityInternal medicineDiabetes mellitusEndocrinologyPsychologyMedicineChemistryEconometricsMathematicsPhysical medicine and rehabilitation

Résumé

récupéré en direct d'OpenAlex

Abstract OBJECTIVE To evaluate the acute glucose-lowering effect of bouts of physical activity (PA) for hyperglycemia in individuals with type 1 diabetes (T1D), using a within-subject matched-pairs causal design to approximate the control condition of no activity. RESEARCH DESIGN AND METHODS Data comprised 1546 PA bouts of 10-30 min from 482 participants in the T1DEXI and T1DEXIP cohorts where glucose was >180 mg/dL (10 mmol/L). Each PA bout was matched [starting glucose, glucose rate of change, insulin on board (IOB), and glucose variability (CV) to a matched non-PA period within the same individual using a weighted k-nearest neighbors algorithm (SMD <0.01). Primary outcome: Change in glucose from PA onset to 20 minutes post-activity. Secondary outcomes: Predictors of glucose response and rate of hypoglycemia incidence. RESULTS PA [median 23 minutes: IQR (20, 30)] led to a mean glucose change of -40 mg/dL (-2.2 mmol/L, p<0.001), compared to -5 mg/dL (0.3 mmol/L, p<0.001) during matched non-PA periods (mean difference: -35 mg/dL[1.9 mmol/L], p<0.0001). No significant differences by age, activity type, or intensity were observed. The strongest predictors of PA-induced glucose change were (in order) glucose rate of change, starting glucose, CV, duration, and IOB. A heatmap using starting glucose and glucose rate of change was developed to guide real-time decision-making. PA-induced hypoglycemia risk was very low (<2%). CONCLUSIONS Using PA to lower high glucose levels is an effective and safe strategy, and when guided by CGM, it can become a personalized tool for T1D education. ARTICLE HIGHLIGHTS Why did we undertake this study? To test whether short bouts of physical activity can safely and effectively lower high glucose levels in people with type 1 diabetes. What specific question(s) did we want to answer? Does 10–30 minutes of physical activity, started when glucose is high, reduce glucose more than doing nothing, and what factors affect this response? What did we find? Across 1,546 activity bouts, 23 minutes of exercise lowered glucose by 40 mg/dL (2.2 mmol/L)—eight times more than rest—with <2% hypoglycemia risk. What are the implications of our findings? Short bouts of activity quickly and safely lower high glucose, with drop size best predicted by starting level and trend—making it easy to teach and implement using a simple heatmap. Twitter Summary Short bouts of physical activity (10–30 min) lower glucose by 40 mg/dL (2.2 mmol/L) during hyperglycemia in people with type 1 diabetes, compared to 5 mg/dL (0.3 mmol/L) with no activity. Top predictors: starting glucose, rate of change, variability, duration, insulin on board. Hypoglycemia risk was very low (<2%). CGM-guided activity is a safe, effective, and personalisable glucose-lowering tool. #T1D #CGM #Exercise Graphical Abstract

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,042
score de la tête « metaresearch » (Gemma)0,081
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,221

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0420,081
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,007
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0030,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,361
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207