Published January 1, 2024 | Version v1
Publication Open

Predictive model for early detection of type 2 diabetes using patients' clinical symptoms, demographic features, and knowledge of diabetes

Creators

  • 1. Osun State University
  • 2. Ladoke Akintola University of Technology
  • 3. Qatar University
  • 4. Melanoma Institute Australia
  • 5. University of Sydney

Description

With the global rise in type 2 diabetes, predictive modeling has become crucial for early detection, particularly in populations with low routine medical checkup profiles. This study aimed to develop a predictive model for type 2 diabetes using health check-up data focusing on clinical details, demographic features, biochemical markers, and diabetes knowledge.Data from 444 Nigerian patients were collected and analysed. We used 80% of this data set for training, and the remaining 20% for testing. Multivariable penalized logistic regression was employed to predict the disease onset, incorporating waist-hip ratio (WHR), triglycerides (TG), catalase, and atherogenic indices of plasma (AIP).The predictive model demonstrated high accuracy, with an area under the curve of 99% (95% CI = 97%-100%) for the training set and 94% (95% CI = 89%-99%) for the test set. Notably, an increase in WHR (adjusted odds ratio [AOR] = 70.35; 95% CI = 10.04-493.1, p-value < 0.001) and elevated AIP (AOR = 4.55; 95% CI = 1.48-13.95, p-value = 0.008) levels were significantly associated with a higher risk of type 2 diabetes, while higher catalase levels (AOR = 0.33; 95% CI = 0.22-0.49, p < 0.001) correlated with a decreased risk. In contrast, TG levels (AOR = 1.04; 95% CI = 0.40-2.71, p-value = 0.94) were not associated with the disease.This study emphasizes the importance of using distinct clinical and biochemical markers for early type 2 diabetes detection in Nigeria, reflecting global trends in diabetes modeling, and highlighting the need for context-specific methods. The development of a web application based on these results aims to facilitate the early identification of individuals at risk, potentially reducing health complications, and improving diabetes management strategies in diverse settings.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

مع الارتفاع العالمي في مرض السكري من النوع 2، أصبحت النمذجة التنبؤية حاسمة للكشف المبكر، لا سيما في السكان الذين يعانون من انخفاض ملفات الفحص الطبي الروتيني. هدفت هذه الدراسة إلى تطوير نموذج تنبؤي لمرض السكري من النوع 2 باستخدام بيانات الفحص الصحي التي تركز على التفاصيل السريرية والسمات الديموغرافية والعلامات الكيميائية الحيوية والمعرفة بمرض السكري. تم جمع وتحليل بيانات من 444 مريضًا نيجيريًا. استخدمنا 80 ٪ من مجموعة البيانات هذه للتدريب، و 20 ٪ المتبقية للاختبار. تم استخدام الانحدار اللوجستي المعاقب متعدد المتغيرات للتنبؤ بظهور المرض، ودمج نسبة الخصر إلى الورك (WHR)، والدهون الثلاثية (TG)، والكاتالاز، والمؤشرات العصيدية للبلازما (AIP). أظهر النموذج التنبؤي دقة عالية، مع مساحة تحت منحنى 99 ٪ (95 ٪ CI = 97٪ -100 ٪) لمجموعة التدريب و 94 ٪ (95 ٪ CI = 89٪ -99 ٪) لمجموعة الاختبار. والجدير بالذكر أن الزيادة في معدل ضربات القلب (نسبة الاحتمالات المعدلة [AOR] = 70.35 ؛ 95 ٪ CI = 10.04-493.1، قيمة p < 0.001) ومستويات AIP المرتفعة (AOR = 4.55 ؛ 95 ٪ CI = 1.48-13.95، قيمة p = 0.008) ارتبطت بشكل كبير بزيادة خطر الإصابة بمرض السكري من النوع 2، في حين ارتبطت مستويات الكاتالاز الأعلى (AOR = 0.33 ؛ 95 ٪ CI = 0.22-0.49، P < 0.001) بانخفاض المخاطر. في المقابل، لم تكن مستويات TG (AOR = 1.04 ؛ 95 ٪ CI = 0.40-2.71، p - value = 0.94) مرتبطة بالمرض. تؤكد هذه الدراسة على أهمية استخدام علامات سريرية وكيميائية حيوية متميزة للكشف المبكر عن مرض السكري من النوع 2 في نيجيريا، مما يعكس الاتجاهات العالمية في نمذجة مرض السكري، ويسلط الضوء على الحاجة إلى طرق خاصة بالسياق. يهدف تطوير تطبيق ويب بناءً على هذه النتائج إلى تسهيل التحديد المبكر للأفراد المعرضين للخطر، مما قد يقلل من المضاعفات الصحية، وتحسين استراتيجيات إدارة مرض السكري في بيئات متنوعة.

Translated Description (French)

Avec l'augmentation mondiale du diabète de type 2, la modélisation prédictive est devenue cruciale pour la détection précoce, en particulier dans les populations ayant de faibles profils de contrôle médical de routine. Cette étude visait à développer un modèle prédictif du diabète de type 2 à l'aide de données de bilan de santé axées sur les détails cliniques, les caractéristiques démographiques, les marqueurs biochimiques et les connaissances sur le diabète. Les données de 444 patients nigérians ont été collectées et analysées. Nous avons utilisé 80 % de cet ensemble de données pour la formation et les 20 % restants pour les tests. Une régression logistique pénalisée multivariable a été utilisée pour prédire l'apparition de la maladie, en intégrant le rapport taille-hanches (WHR), les triglycérides (TG), la catalase et les indices athérogènes du plasma (AIP). Le modèle prédictif a démontré une grande précision, avec une aire sous la courbe de 99 % (IC à 95 % = 97 % -100 %) pour l'ensemble de formation et de 94 % (IC à 95 % = 89 %-99 %) pour l'ensemble de test. Notamment, une augmentation des taux de WHR (rapport de cotes ajusté [AOR] = 70,35 ; IC à 95 % = 10,04-493,1, valeur de p < 0,001) et d'AIP élevé (AOR = 4,55 ; IC à 95 % = 1,48-13,95, valeur de p = 0,008) était significativement associée à un risque plus élevé de diabète de type 2, tandis que des taux de catalase plus élevés (AOR = 0,33 ; IC à 95 % = 0,22-0,49, p < 0,001) étaient corrélés à une diminution du risque. En revanche, les niveaux de TG (AOR = 1,04 ; IC à 95 % = 0,40-2,71, valeur de p = 0,94) n'étaient pas associés à la maladie. Cette étude souligne l'importance d'utiliser des marqueurs cliniques et biochimiques distincts pour la détection précoce du diabète de type 2 au Nigéria, reflétant les tendances mondiales de la modélisation du diabète et soulignant la nécessité de méthodes spécifiques au contexte. Le développement d'une application Web basée sur ces résultats vise à faciliter l'identification précoce des personnes à risque, à réduire potentiellement les complications de santé et à améliorer les stratégies de gestion du diabète dans divers contextes.

Translated Description (Spanish)

Con el aumento global de la diabetes tipo 2, el modelado predictivo se ha vuelto crucial para la detección temprana, particularmente en poblaciones con bajos perfiles de chequeo médico de rutina. Este estudio tuvo como objetivo desarrollar un modelo predictivo para la diabetes tipo 2 utilizando datos de chequeo de salud centrados en detalles clínicos, características demográficas, marcadores bioquímicos y conocimiento de la diabetes. Se recopilaron y analizaron datos de 444 pacientes nigerianos. Utilizamos el 80% de este conjunto de datos para la capacitación y el 20% restante para las pruebas. Se empleó una regresión logística penalizada multivariable para predecir el inicio de la enfermedad, incorporando la relación cintura-cadera (WHR), triglicéridos (TG), catalasa e índices aterogénicos de plasma (AIP). El modelo predictivo demostró una alta precisión, con un área bajo la curva del 99% (IC del 95% = 97%-100%) para el conjunto de entrenamiento y del 94% (IC del 95% = 89%-99%) para el conjunto de prueba. En particular, un aumento en los niveles de WHR (odds ratio ajustado [AOR] = 70.35; IC del 95% = 10.04-493.1, valor de p < 0.001) y AIP elevado (AOR = 4.55; IC del 95% = 1.48-13.95, valor de p = 0.008) se asociaron significativamente con un mayor riesgo de diabetes tipo 2, mientras que los niveles más altos de catalasa (AOR = 0.33; IC del 95% = 0.22-0.49, p < 0.001) se correlacionaron con un menor riesgo. Por el contrario, los niveles de TG (AOR = 1,04; IC del 95% = 0,40-2,71, valor de p = 0,94) no se asociaron con la enfermedad. Este estudio enfatiza la importancia de usar marcadores clínicos y bioquímicos distintos para la detección temprana de la diabetes tipo 2 en Nigeria, lo que refleja las tendencias globales en el modelado de la diabetes y destaca la necesidad de métodos específicos del contexto. El desarrollo de una aplicación web basada en estos resultados tiene como objetivo facilitar la identificación temprana de personas en riesgo, reduciendo potencialmente las complicaciones de salud y mejorando las estrategias de manejo de la diabetes en diversos entornos.

Files

hsr2.1834.pdf

Files (16.0 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:6d5913d1b06285b7629c9f44d0b9d2c5
16.0 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نموذج تنبؤي للكشف المبكر عن مرض السكري من النوع 2 باستخدام الأعراض السريرية للمرضى والسمات الديموغرافية والمعرفة بمرض السكري
Translated title (French)
Modèle prédictif pour la détection précoce du diabète de type 2 en utilisant les symptômes cliniques, les caractéristiques démographiques et la connaissance du diabète des patients
Translated title (Spanish)
Modelo predictivo para la detección temprana de la diabetes tipo 2 utilizando los síntomas clínicos de los pacientes, las características demográficas y el conocimiento de la diabetes

Identifiers

Other
https://openalex.org/W4391223235
DOI
10.1002/hsr2.1834

Is supplement to
https://openalex.org/W4393387432 (Other)
https://openalex.org/W4238363529 (Other)
https://openalex.org/W4226053935 (Other)
https://openalex.org/W2999586795 (Other)
https://openalex.org/W2417545465 (Other)
https://openalex.org/W2114056959 (Other)
https://openalex.org/W2076929529 (Other)
https://openalex.org/W2002325000 (Other)
https://openalex.org/W1982619745 (Other)
https://openalex.org/W1843463370 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Nigeria

References

  • https://openalex.org/W1970946326
  • https://openalex.org/W1976669229
  • https://openalex.org/W197779105
  • https://openalex.org/W1978237919
  • https://openalex.org/W1989674525
  • https://openalex.org/W1998221258
  • https://openalex.org/W2010616874
  • https://openalex.org/W2030568190
  • https://openalex.org/W2037069230
  • https://openalex.org/W2046470022
  • https://openalex.org/W2048565142
  • https://openalex.org/W2050520607
  • https://openalex.org/W2056401343
  • https://openalex.org/W2064089576
  • https://openalex.org/W2067583750
  • https://openalex.org/W2069539839
  • https://openalex.org/W2096512646
  • https://openalex.org/W2101787686
  • https://openalex.org/W2102171609
  • https://openalex.org/W2112284378
  • https://openalex.org/W2121127159
  • https://openalex.org/W2123380119
  • https://openalex.org/W2127544685
  • https://openalex.org/W2136417592
  • https://openalex.org/W2155821999
  • https://openalex.org/W2161287598
  • https://openalex.org/W2168960291
  • https://openalex.org/W2189341928
  • https://openalex.org/W2242109922
  • https://openalex.org/W2257540620
  • https://openalex.org/W2339122810
  • https://openalex.org/W2466578202
  • https://openalex.org/W2583890970
  • https://openalex.org/W2596912461
  • https://openalex.org/W2610692412
  • https://openalex.org/W2613914281
  • https://openalex.org/W2620985861
  • https://openalex.org/W2807049553
  • https://openalex.org/W2893808896
  • https://openalex.org/W2953312134
  • https://openalex.org/W2981121978
  • https://openalex.org/W2983229458
  • https://openalex.org/W2996559209
  • https://openalex.org/W3011788268
  • https://openalex.org/W3084116491
  • https://openalex.org/W3097011302
  • https://openalex.org/W3098890627
  • https://openalex.org/W3112612207
  • https://openalex.org/W3129971886
  • https://openalex.org/W3154363128
  • https://openalex.org/W3168248159
  • https://openalex.org/W3177682431
  • https://openalex.org/W3181767717
  • https://openalex.org/W3206085059
  • https://openalex.org/W3211755934
  • https://openalex.org/W4200353185
  • https://openalex.org/W4211058450
  • https://openalex.org/W4233958641
  • https://openalex.org/W4242364069
  • https://openalex.org/W4251966062
  • https://openalex.org/W4294636809
  • https://openalex.org/W4295871756
  • https://openalex.org/W4312543742
  • https://openalex.org/W4313297615
  • https://openalex.org/W4361223598
  • https://openalex.org/W4366273899
  • https://openalex.org/W4384707810
  • https://openalex.org/W4387662493