The utility of common predictive models for detecting undiagnosed diabetes and prediabetes defined by HbA1c in a Chinese population
Notice bibliographique
Résumé
AIMS: To evaluate the Hong Kong Primary Care Office (HKPCO) strategy against international guidelines from China, UK, US, Canada and Australia for identifying high-risk individuals requiring diagnostic testing for diabetes mellitus (DM) and pre-DM. METHODS: A cross-sectional study involved adults aged ≥25 without prior DM diagnoses. Participants underwent HbA1c point-of-care testing, with self-reported risk factors and clinical measurements documented. DM was defined as HbA1c ≥6.5 %, and pre-DM as 5.7-6.4 %. Sensitivity, specificity, number needed to test (NNT), and net benefit of different strategies were assessed. RESULTS: Amongst 1810 individuals (age: 59.3 ± 9.2 years, 39.6 % men), 4.8 % had DM and 53.6 % had pre-DM. The sensitivity, specificity and NNT for various detection strategies ranged from 19.5 % to 100 %, 0.58 % to 92.8 % and 8.3 to 20.7 respectively. Over 95 % fulfilled the HKPCO guideline (sensitivity = 100 %, specificity = 0.58 %, NNT = 20.7) without missing DM cases. NICE criteria (sensitivity = 96.6 %, specificity = 19.2 %, NNT = 17.6) correctly reclassified 18.6 % of high-risk participants, providing greater net benefits compared to HKPCO guideline. CONCLUSIONS: The community-based program detected high proportion of Chinese adults at high-risk for undiagnosed DM and pre-DM. Utilizing strategies developed by NICE, or other international strategies, can enhance net benefits and potentially improve cost-effectiveness when compared to the current HKPCO guideline.
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 | 0,024 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».