Imputation Model for Glucose Values Above the Upper Detection Limit for Continuous Glucose Monitors.
Notice bibliographique
Résumé
Objective: All continuous glucose monitors (CGMs) have an upper detection limit, typically of 22.2 mmol/L. This might bias CGM metrics. We aimed to develop and validate a statistical model for imputing values above this limit. Methods: We analyzed CGM data from 85 inpatients with type 2 diabetes, 705 outpatients with type 1 diabetes, and 27 outpatients with type 2 diabetes. A Bayesian nonparametric latent Gaussian process regression model was applied to the CGM data intentionally right censored for the top 5%, 10%, 20%, and 30% and compared with the uncensored CGM data by the bias, mean squared error (MSE), and coefficient of determination (R2) of mean glucose, standard deviation (SD), and coefficient of variation (CV). Results: In hospitalized patients with diabetes, outpatients with type 1 diabetes, and outpatients with type 2 diabetes for 5% to 30% right censoring, respectively, the bias on mean glucose after imputation ranged from -0.012 to 0.362, -0.018 to 0.485, and -0.008 to 0.130, respectively. Bias on SD ranged from -0.024 to 0.226, -0.033 to 0.381, and -0.016 to 0.138, respectively. Bias on CV ranged from -0.207 to 1.543, -0.316 to 2.609, and -0.222 to 1.721, respectively. Similar results indicating good performance of the imputation model were observed for MSE and R2. Conclusions: An imputation model for glucose values above the upper detection limit of CGMs was developed and validated in various populations. This enables a more unbiased quantification of CGM metrics for patients with severe hyperglycemia.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».