Glucose‐lowering effects of physical activity in type 1 diabetes: A causal modelling and matched‐pair analysis approach
Notice bibliographique
Résumé
AIMS: To evaluate the acute glucose-lowering effect of bouts of physical activity (PA) for hyperglycaemia in individuals with type 1 diabetes, using a within-subject matched-pairs causal design to approximate the control condition of no activity. METHODS: Data comprised 1546 PA bouts of 10-30 min from 482 participants in the T1DEXI and T1DEXIP cohorts where glucose was >10 mmol/L. Each PA bout was matched [starting glucose, glucose rate of change, insulin on board (IOB) and glucose variability (CV)] to a matched non-PA period within the same individual using a weighted k-nearest neighbours algorithm (SMD <0.01). PRIMARY OUTCOME: Change in glucose from PA onset to 20 min post-activity. SECONDARY OUTCOMES: Predictors of glucose response and rate of hypoglycaemia incidence. RESULTS: PA [median 23 min: IQR (20, 30)] led to a mean glucose change of -2.2 mmol/L (p < 0.001), compared with 0.3 mmol/L (p < 0.001) during matched non-PA periods (mean difference: -1.9 mmol/L (p < 0.0001)). No significant differences by age, activity type or intensity were observed. The strongest predictors of PA-induced glucose change were (in order) glucose rate of change, starting glucose, CV, duration and IOB. A heatmap using starting glucose and glucose rate of change was developed to guide real-time decision-making. PA-induced hypoglycaemia risk was very low (<2%). CONCLUSION/INTERPRETATION: Using PA to lower high glucose levels is an effective and safe strategy, and when guided by CGM, it can become a personalised tool for type 1 diabetes education.
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 | 0,044 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,008 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».