Effects of Continuous Glucose Monitoring Versus Blood Glucose Monitoring During a Carbohydrate-Restricted Nutrition Intervention in People With Type 2 Diabetes: 6-Month Follow-up Outcomes From a Randomized Clinical Trial
Notice bibliographique
Résumé
OBJECTIVES: Low and very-low carbohydrate eating patterns can improve glycemia in people with type 2 diabetes (T2D). Continuous glucose monitoring (CGM) may also help improve glycemic outcomes, like time in range (TIR). This research evaluated differences in diabetes-related outcomes when people with T2D used CGM or blood glucose monitoring (BGM) to support dietary choices and medication management for 6 months during a virtual, medically supervised ketogenic diet program (MSKDP). Three-month primary outcomes are published, and here we report 6-month follow-up outcomes. METHODS: The IGNITE study (Impact of Glucose moNitoring and nutrItion on Time in rangE) randomized participants to use CGM (N = 81) or BGM (N = 82) to support care during 6 months in a MSKDP. Glycemia, diabetes medications, dietary intake, ketones, and weight were assessed at baseline (Base) and month 6 (M6); differences between and within arms were evaluated. RESULTS: Adults (N = 163) with mean (SD) T2D duration of 9.7 (7.7) years and HbA1c of 8.1% (1.2%) participated. From Base to M6, TIR improved from 61% to 87% for CGM and from 63% to 88% for BGM (P < .001), with no difference in changes between arms (P = .99). HbA1c decreased at least 1.3% from Base to M6 in both arms (P < .001). Diabetes medications were deintensified in both arms based on medication effect scores (P < .01). Energy and carbohydrate intake decreased (P < .001) and participants in both arms had clinically meaningful weight loss (P < .001). CONCLUSIONS: The CGM and BGM arms achieved similar and significant improvements in glycemia and other diabetes-related outcomes after 6 months in this MSKDP.
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 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 |
| 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 ».