964-P: Reducing Discordance between GMI and A1C Using AI
Notice bibliographique
Résumé
Introduction and Objective: GMI is increasingly relied upon in clinical practice as a surrogate for A1c. However absolute discordance >0.5% is common between GMI & A1c. GMI also tends to overestimate at lower A1c (<7.0) and underestimate at higher A1c (>8.0). BCDiabetes, a public Canadian clinic, has permissioned access to anonymized client data: more than 3,000 of its clients use CGM 365 days per year & have A1c measured intermittently. Methods: Prior to 2024-Sep-30, 2922 pairs of 90 days of CGM data & A1c values measured on the 90th day of CGM from 1508 patients, were used to build two machine learning (ML) models designed to minimize discordance in GMI vs A1c. Post 2024-Sep-30, 270 analogous pairs from 268 different clients with 90 days of CGM data & A1c values, were used to test the two ML models against the Bergenstal equation (2018) & an analogous linear regression equation developed with the same training data. Results: The Bergenstal equation showed a mean absolute difference of 0.43, with 37% of participants demonstrating discordance; the BCDiabetes equation was minimally higher than Bergenstal. Both ML models outperformed the Bergenstal equation with ML Model 2 reducing the relative risk of discordance compared to Bergenstal by 18% (Figure 1). Conclusion: AI modeling of GMI vs A1c promises to reduce discordance. With validation of such models and their adoption into clinical practice, GMI will become a more reliable indicator of A1c. Disclosure A. Alqahtani: None. G. Netto Flores Cruz: Employee; BiomeHub. N. Khan: None. K. Hawke: None. T. Elliott: None.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».