PubMed دسترسی آزاد

Large-scale multiethnic electronic health record resource for diabetes complications research: the North West London Diabetes Cohort (NWLDC) - cohort profile.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
تنظیم صدای طبیعی و سرعت

صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.

چکیده اصلی

PURPOSE: The North West London Diabetes Cohort is established to provide systematic characterisation of a large diabetes population as a foundation for complications research and prognostic modelling. Many predictive modelling studies neglect the essential descriptive characterisation of underlying cohorts, focusing narrowly on model accuracy. This cohort profile addresses this gap by comprehensively describing the demographic composition, clinical characteristics and complication incidence patterns. The notably diverse, multiethnic population enables examination of ethnic disparities and supports future development of reliable prognostic models and evidence-based prevention strategies for diabetes complications. PARTICIPANTS: At baseline, 337 271 patients with diabetes were identified. It includes 279 067 patients with type 2 diabetes, 17 638 with type 1 diabetes, 33 590 with gestational diabetes and 6916 with unspecified diabetes. The earliest diabetes diagnosis dates to January 1932, with data updated to 27 May 2025. FINDINGS TO DATE: This cohort profile describes baseline characteristics of patients with comprehensive data collected on demographics (age, sex, Deprivation Index, ethnicity), clinical measures (glycated haemoglobin, body mass index, blood pressure, lipids and estimated glomerular filtration rate) and 14 major diabetes complications tracked longitudinally. Key findings for patients with type 2 diabetes reveal diabetic retinopathy as the most common complication (74.6 per 1000 person-years), followed by hypertension (51.0) and kidney disease (31.4). Cumulative incidence analyses using the Aalen-Johansen estimator, which accounts for mortality as a competing risk, demonstrated significant ethnic disparities, with black, Asian, mixed and other ethnic groups showing elevated risk compared with white patients. Time-varying Cox models identified strong clustering between cardiovascular and renal complications, confirming a cardiometabolic-renal syndrome. Mental health conditions (depression and anxiety) were prevalent throughout the disease timeline, occurring both before and after diabetes diagnosis. FUTURE PLANS: This cohort will be used as a platform for developing and validating prognostic models for diabetes complications, enabling risk stratification and targeted interventions. Future work will incorporate medication data to refine diabetes type classification, examine the effectiveness of antidiabetic medications in preventing different complications and address demographic differences in prognostic model performance and prediction accuracy. To better characterise lifestyle, further interrogation of electronic health record data will examine recording of advice given, including dietary advice, referral to weight management schemes and presence of alcohol consumption codes.

نتیجه فارسی

کوهورت NWLDC یک منبع بزرگ الکترونیک سوابق سلامت چندقومیتی برای تحقیق دیابت است که شامل بیش از ۳۳۷ هزار بیمار است. این کوهورت برای توسعه مدل‌های پیش‌بینی و استراتژی‌های پیشگیری عوارض دیابت استفاده می‌شود. داده‌ها شامل ویژگی‌های جمعیت‌شناختی، بالینی و عوارض اصلی است.

  • کوهورت شامل بیش از ۳۳۷ هزار بیمار دیابتی با دیابت نوع ۲، نوع ۱، بارداری و نامشخص است.
  • عفونت شبکیه دیابتی شایع‌ترین عارضه در دیابت نوع ۲ است.
  • نابرابری‌های قومی در بروز عوارض دیابت شناسایی شده است.
  • این کوهورت برای توسعه مدل‌های پیش‌بینی و تحقیقات آینده استفاده خواهد شد.

ترجمه فارسی چکیده

کوهورت دیابت شمال غرب لندن برای ارائه توصیف سیستماتیک یک جمعیت بزرگ دیابتی به عنوان پایه‌ای برای تحقیق عوارض و مدل‌سازی پیش‌بینی ایجاد شده است. این پروفایل کوهورت با توصیف جامع ترکیب جمعیت‌شناختی، ویژگی‌های بالینی و الگوهای بروز عوارض، شکاف موجود در مطالعات مدل‌سازی پیش‌بینی که بر دقت مدل تمرکز می‌کنند، پر می‌کند. جمعیت چندقومیتی متنوع، امکان بررسی نابرابری‌های قومی و پشتیبانی از توسعه آینده مدل‌های پیش‌بینی قابل اعتماد و استراتژی‌های پیشگیری مبتنی بر شواهد را فراهم می‌کند. در پایه، ۳۳۷،۲۷۱ بیمار دیابتی شناسایی شد که شامل ۲۷۹،۰۶۷ بیمار با دیابت نوع ۲، ۱۷،۶۳۸ با دیابت نوع ۱، ۳۳،۵۹۰ با دیابت بارداری و ۶،۹۱۶ با دیابت نامشخص بود. یافته‌های کلیدی برای بیماران دیابت نوع ۲ نشان می‌دهد که عارضه شایع عفونت شبکیه دیابتی (۷۴.۶ در ۱۰۰۰ سال شخصی) است، که پس از آن فشار خون بالا (۵۱.۰) و بیماری کلیوی (۳۱.۴) قرار دارند. تحلیل‌های شیوع تجمعی با استفاده از برآوردگر Aalen-Johansen، که مرگ‌ومیر را به عنوان یک ریسک رقابتی در نظر می‌گیرد، نابرابری‌های قومی قابل توجهی را نشان داد. مدل‌های ککس وابسته به زمان، همبستگی قوی بین عوارض قلبی و کلیوی را شناسایی کرد. شرایط سلامت روان در طول زمان‌بندی بیماری شایع بود.

روش پژوهش

این پروفایل با استفاده از داده‌های الکترونیک سوابق سلامت (EHR) جمع‌آوری شده است. تحلیل‌ها شامل تحلیل‌های شیوع تجمعی با برآوردگر Aalen-Johansen و مدل‌های ککس وابسته به زمان است.

محدودیت‌ها

محدودیت‌ها در متن گزارش نشده‌اند.

استخراج ساختاریافته از متن منبع

نمای PICO و پیامدها

جمعیت
بیماران دیابتی (۳۳۷،۲۷۱ نفر) شامل دیابت نوع ۲، نوع ۱، بارداری و نامشخص.
مداخله/مواجهه
مورد بررسی قرار نگرفته است.
مقایسه
مورد بررسی قرار نگرفته است.
حجم نمونه
۳۳۷،۲۷۱ بیمار

متن کامل اصلی

نسخه دارای مجوز در منبع علمی در دسترس است.

لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز می‌شود.

باز کردن متن کامل

کلیدواژه‌ها

DIABETES & ENDOCRINOLOGYEPIDEMIOLOGYElectronic Health RecordsObservational Study
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2026

Clinical effectiveness and safety of metadoxine in the management of acute alcohol intoxication: A single-center retrospective cohort study.

BACKGROUND: Acute alcohol intoxication (AAI) is a common emergency with no specific antidote. Metadoxine has shown potential but lacks sufficient real-world evidence, particularly in Chinese populations. OBJECTIVES: To evaluate the clinical efficacy and safety of metadoxine in patients with acute alcohol intoxication. METHODS: This single-center retrospective cohort study included 124 patients with AAI admitted to an emergency departme…

PubMed2026

D3MI: an efficient and powerful federated imputation method for bias reduction in the analysis of distributed incomplete data by accounting for within-site correlation and between-site heterogeneity.

BACKGROUND: Electronic health records (EHRs) collected from diverse healthcare institutions offer a rich and representative data source for clinical research. Federated learning enables analysis of these distributed data without sharing sensitive patient-level information, preserving privacy. However, missing data remain a major challenge and can introduce substantial bias if not properly addressed. Very few distributed imputation meth…

PubMed2026

Extraction of Pain Severity and Functional Interference From Clinical Narratives Using Domain-Informed Large Language Models: Protocol for a Development and Validation Study.

BACKGROUND: Chronic pain is a leading cause of disability and requires multidimensional assessment of pain intensity and functioning, yet electronic health records rarely capture these measures systematically. By contrast, surveys collecting patient-reported outcomes can assess pain over multiple dimensions but remain resource-intensive and difficult to scale for continuous population-level monitoring. OBJECTIVE: The objective of this …

PubMed2026

From data entry to digital transformation: Allied health perspectives on standardised electronic medical records data.

BACKGROUND: Electronic medical records (EMRs) currently rely on standardised data fields to support secondary data use for clinical care, performance monitoring, and system-level reporting. However, utilisation of standardised data capture and reporting within allied health remains underdeveloped in practice. Greater understanding of how allied health clinicians and managers perceive the purpose, value, and impact of standardised data …