Validation du modèle pronostique CANRISK pour l’évaluation du risque de diabète dans la population multi-ethnique du Canada
Bibliographic record
Abstract
Introduction Malgré des taux élevés de diabète et de prédiabète non diagnostiqués, on ne dispose pas encore actuellement d’outils adéquats d’évaluation du risque pour estimer le risque individuel de diabète au Canada. Méthodologie Nous avons effectué une étude de dépistage transversale pour évaluer l’exactitude et le pouvoir discriminatif du nouveau Questionnaire d’évaluation du risque de diabète à l’intention des Canadiens (CANRISK) pour détecter le diabète et le prédiabète (dysglycémie) chez 6 223 adultes d’origine ethnique variée. L’état glycémique de tous les participants a été confirmé au moyen d’une épreuve d’hyperglycémie provoquée par voie orale (HGPO). Nous avons mis au point les scores CANRISK sur support électronique et papier, au moyen d’une régression logistique, puis les avons validés en les comparant à des analyses sanguines de référence à l’aide de méthodes « apprentissage-test ». Nous avons eu recours aux statistiques sommaires de la surface sous la courbe (SSC) obtenues à partir d’analyses de la fonction d’efficacité du récepteur (ROC) pour comparer dans quelle mesure CANRISK et d’autres modèles de cotation du risque permettaient de distinguer une vraie dysglycémie. Résultats Les SSC pour les scores CANRISK sur support électronique et support papier étaient de 0,75 (IC à 95 % : 0,73–0,78) et 0,75 (IC à 95 % : 0,73–0,78), respectivement, par rapport à 0,66 (IC à 95 % : 0,63–0,69) pour le score finlandais FINDRISC et à 0,69 (IC à 95 % : 0,66–0,72) pour un modèle simple de l’obésité qui incluait l’âge, l’IMC, le tour de taille et le sexe. Conclusion CANRISK est un outil statistiquement valide qui peut convenir à l’évaluation du risque du diabète dans la population multi-ethnique du Canada. CANRISK était considérablement plus précis que le score FINDRISC et le modèle simple de l’obésité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.028 | 0.046 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".