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 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 | 0,012 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».