Coefficient of Variation to Assess the Reproducibility of Meal-Induced Glycemic Responses: Development of a Clustering Algorithm
Notice bibliographique
Résumé
Background: Managing type 1 diabetes (T1D) requires maintaining target blood glucose levels through precise diet and insulin dosing. Predicting postprandial glycemic responses (PPGRs) based solely on carbohydrate content is limited by factors such as meal composition, individual physiology, and lifestyle. Continuous glucose monitors provide insights into these responses, revealing significant individual variability. The statistical clustering method proposed here balances the number of clusters formed and the glycemic variability of the PPGRs within each cluster to offer a clustering technique on which treatment decisions could be based. Objective: This study aims to develop and evaluate a PPGR clustering method that identifies reproducible meal-specific glucose patterns in people with type 1 diabetes. Methods: Blood glucose data from the OhioT1DM dataset were used to assess clustering of PPGR based on the coefficient of variability (CV) of glucose. Clustering was performed using statistical clustering, with each PPGR isolated into 48 data points per event. A CV threshold of <36% was used to define clinically similar clusters. This aimed to cluster PPGRs with minimal glycemic variability. The approach aims to enhance precision in analyzing postprandial glycemic dynamics, assessing cluster cohesion via standard deviation and CV within meal categories. Results: The analysis revealed a reproducible set of PPGR clusters specific to meal types and individuals (mean [SD], 2.4 [1.8] for breakfast, 2.7 [0.9] for lunch, and 3.1 [1.0] for dinner), with the number of clusters varying across participants and meals in the dataset. Carbohydrate intake alone did not affect cluster formation, suggesting a complex relationship between meal composition and PPGR variability. However, certain individuals showed significant associations between carbohydrate intake and cluster formation for specific meals. Conclusions: The meal-based glycemic clustering algorithm provides a promising framework for predicting PPGRs in people with type 1 diabetes, independent of carbohydrate intake. It emphasizes the need for personalized prediction models to optimize time in range and enhance diabetes management. Efforts to refine treatment strategies are crucial in reducing T1D-related complications.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».