Early detection of peripheral neuropathy in patients with diabetes mellitus type 2
Notice bibliographique
Résumé
Abstract Background Early diagnosis of diabetic polyneuropathy (DPN) can significantly improve the prognosis and help prevent severe complications. The aim of this work was to study clinical, radiological, laboratory and neurophysiological findings for early detection of peripheral neuropathy in T2DM. Methods A total of 60 diabetic patients were classified according to Toronto Clinical Neuropathy Score (TCNS) into: Group 1: 20 diabetic patients with no evident neuropathy. Group 2: 20 diabetic patients with mild neuropathy. Group 3: 20 diabetic patients with moderate and severe neuropathy. All patients underwent a neurological examination, nerve conduction studies and optical coherence tomography (OCT) to assess retinal nerve fiber layer (RNFL) thickness. Additionally, ELISA technique to measure serum interleukin-6 (IL-6). Results The analysis of gender and age distributions among the groups revealed no significant differences. There were statistically significant differences regarding disease duration, HBA1c, body mass index Systolic and diastolic blood pressure. Group 3 had such significant impairment that resulted in an inability to record the measurements of sural nerves. The study's statistical analysis results for OCT variables, and post hoc comparisons revealed significant differences between all three groups. The results demonstrated significant variations in Serum IL6 levels among the groups, with Group 3 having the highest IL6 levels. In groups 1, 2, and 3 the area under the curve for IL-6 and RNFL showed a good differentiation ability between groups. Conclusion We conclude that the total thickness RNFL and serum IL-6 levels are a potential biomarker in prediction the severity of DPN.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».