1279-P: Technology Use and Diabetes Management across Elder Age Groups in Type 1 Diabetes and Latent Autoimmune Diabetes of the Adult (LADA), a BETTER Registry Cross-Sectional Analysis
Notice bibliographique
Résumé
Introduction and Objective: Real-world data on diabetes management in older adults remain limited. This study aims to provide an overview of technology use and factors associated to its use, diabetes management and psychosocial aspects in adults aged 50 and over living with type 1 diabetes (T1D) or latent autoimmune diabetes in adults (LADA). Methods: This cross-sectional study analyzed data from the BETTER registry including individuals living with T1D or LADA. Comparative analyses were conducted across three age groups: 50-59, 60-69, and ≥70. Results: Participants (n=674) were predominantly Caucasian (97-98%) and residing in Quebec, Canada (71-79%). Insulin pump use was similar across age groups (36-39%, p=0.822), while continuous glucose monitoring (CGM) was lower among those aged ≥70 years (85% for 50-59 and 60-69 vs 73% for ≥70 years, p=0.020). Factors associated with technology use are shown in Fig 1. Most (80-86%) of participants achieved an HbA1c ≤8% across all groups. Level 2 hypoglycemia events in the last month and moderate diabetes-related distress were more frequent among participants aged 50-59 years compared to those aged ≥70 years. Conclusion: Most individuals in this cohort adopted technology but in lower proportion among the group aged ≥70. Overall, diabetes management was good and similar between age groups. Disclosure Y. Wang: None. L. Alexandre-Heymann: None. V. Messier: None. V. Boudreau: None. A. Bandini: None. B. Kelly: None. A. Gravel: None. C. Gagnon: Research Support; Ascendis Pharma A/S, Amryt Pharma. A. Brazeau: Speaker's Bureau; Dexcom, Inc. Research Support; Canadian Institutes of Health Research. Speaker's Bureau; Juvenile Diabetes Research Foundation (JDRF). Research Support; Juvenile Diabetes Research Foundation (JDRF), Diabète Québec, Fonds de recherches du Québec-Santé, Mitacs. R.P.R. Rabasa-Lhoret: Advisory Panel; Abbott, Eli Lilly and Company, Novo Nordisk, Sanofi, Insulet Corporation. Other Relationship; Medtronic. Advisory Panel; Bayer Pharmaceuticals, Inc. Funding The BETTER registry is supported by a Strategy Patient-Oriented Research (JT1-157204) and Breakthrough T1D formerly JDRF (3-SRA-2024-1523-M-N) Partnership on Innovative Clinical Trial Multi-Year Grant. Additionally, the BETTER registry receives nonrestrictive grants from Dexcom Canada?, Eli Lilly Canada Inc., Novo Nordisk Canada, and Sanofi Canada. This co-funding is unrestricted and had no influence on the study design, data collection, analysis, interpretation, writing of the report, or decision to submit the article for publication. Detailed information about funding can be found at https://type1better.com/en/about/partners/.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».