Introduction Type 1 diabetes is burdensome, requiring complex daily management and making people more prone to emotional distress. To better detect diabetes-related distress (DD) and identify at-risk patients, we aimed to provide an in-depth characterization of DD in people with type 1 diabetes.Research design and methods We included adults with type 1 diabetes from the Suivi en France des personnes avec un Diabète de Type 1 cohort who filled in the Problem Areas in Diabetes questionnaire (PAID ≥40 indicates high DD). Age and sex-adjusted multivariable logistic regression models analyzed individual characteristics, clinical indicators, diabetes-related complications and psychological factors. We further analyzed DD according to six data-driven subdimensions: emotional distress, fear of complications, social distress, eating distress, management distress, and diabetes burnout.Results In total, 1220 participants (50.6% female, age 42 years (SD 13.9), diabetes duration 24.7 years (13.6)) had a total mean PAID score of 39.6 (21.7) and 592 (48.5%) reported high DD. Leading subdimensions of DD included fear of complications (50.1 (24.4)) and diabetes burnout (45.9 (24.5)). Females, younger age, social vulnerability, smoking, and the presence of retinopathy were positively associated with high DD (p<0.05). We observed similar DD levels across HbA1c levels and treatment modalities, including automated insulin delivery and continuous glucose monitoring use. Several psychological factors, such as anxiety/depression, poor sleep quality, and treatment burden, were strongly associated with DD (p<0.001).Conclusions We provide a holistic clinical phenotyping approach that enables the identification of determinants and prevalence of DD, overall and according to key DD subdimensions, in a large and diverse population. Our results underscore the importance of developing DD-targeted prevention and intervention strategies focused specifically on high-risk groups and the most impactful distress subdimensions to reduce the impact of type 1 diabetes burden.Trial registration number NCT04657783.

During the past 2 decades, large medical databases (big data) have been screened with powerful computing tools, through a so-called artificial intelligence (AI) process using machine learning and validation. This has led to a renewal of diabetes care. The main applications so far are screening and diagnosis (retinopathy, gestational diabetes, nonalcoholic steatohepatitis ( NASH)), therapeutic decision tool (strategy in type 2 diabetes) and predictive medicine (vascular risk). Diabetologists have a clinical expertise that should be employed to contribute to AI development, through the generation of quality data and adequate interpretation of outcomes.

Type 1 diabetes mellitus (T1DM) is associated with a high risk of cardiovascular (CV) complications, even after controlling for traditional CV risk factors. Therefore, determinants of the residual increased CV morbidity and mortality remain to be discovered. This prospective cohort of people living with T1DM in France (SFDT1) will include adults and children aged over six years living with T1DM, recruited throughout metropolitan France and overseas French departments and territories. The primary objective is to better understand the parameters associated with CV complications in T1DM. Clinical data and biobank samples will be collected during routine visits every three years. Data from connected tools, including continuous glucose monitoring, will be available during the 10-year active follow-up. Patient-reported outcomes, psychological and socioeconomic information will also be collected either at visits or through web questionnaires accessible via the internet. Additionally, access to the national health data system (Health Data Hub) will provide information on healthcare and a passive 20-year medico-administrative follow-up. Using Health Data Hub, SFDT1 participants will be compared to non-diabetic individuals matched on age, gender, and residency area. The cohort is sponsored by the French-speaking Foundation for Diabetes Research (FFRD) and aims to include 15,000 participants.

Évaluer la performance du système DBLG1 « Diabeloop » chez les patients diabétiques de type 1 (DT1) après 6 mois de suivi en condition de “vraie vie”. 25 patients DT1 traités par pompe à insuline conventionnelle ont été équipés d’une pompe Kaleido associée à une MCG par capteur Dexcom G6 fonctionnant en boucle fermée grâce au système DBLG1. Les données relatives aux paramètres du système et à la MCG ont été collectées via une plateforme en ligne (YourLoops) pendant 6 mois. Les patients, âgés de 43 ans en moyenne et majoritairement des femmes (76 %), ont été mis sous MCG par capteur Dexcom G6 4 à 15 jours avant le changement de pompe. La moyenne d’HbA1c et de temps passé dans la cible (70-180 mg/dL) étaient respectivement de 7,9 % et de 53 % avant mise en place du système. Après un suivi moyen de 6 mois, l’HbA1c moyenne est passée de 7,9 % à 7,1 % (p < 0,001) et le temps moyen dans la cible est passé de 53 à 67 % (p < 0,001). Le temps moyen passé sous 70 mg/dL est passé de 2,4 à 1,3 % (p = 0,03). Aucun incident lié à l’algorithme n’est survenu et le système a fonctionné en boucle fermée 85 % du temps. Un seul patient a arrêté l’utilisation du système en raison de déconnexions répétées. La capacité du système DBLG1 à améliorer l’équilibre glycémiques des patients DT1, sans effet indésirable grave, est confirmée en condition de “vraie vie”.

Automated closed-loop (CL) insulin therapy has come of age. This major technological advance is expected to significantly improve the quality of care for adults, adolescents and children with type 1 diabetes. To improve access to this innovation for both patients and healthcare professionals (HCPs), and to promote adherence to its requirements in terms of safety, regulations, ethics and practice, the French Diabetes Society (SFD) brought together a French Working Group of experts to discuss the current practical consensus. The result is the present statement describing the indications for CL therapy with emphasis on the idea that treatment expectations must be clearly defined in advance. Specifications for expert care centres in charge of initiating the treatment were also proposed. Great importance was also attached to the crucial place of high-quality training for patients and healthcare professionals. Long-term follow-up should collect not only metabolic and clinical results, but also indicators related to psychosocial and human factors. Overall, this national consensus statement aims to promote the introduction of marketed CL devices into standard clinical practice.

L'année 2020 est celle du vrai départ en France de l'insulinothérapie en boucle fermée, représentant un enjeu majeur de formation à cette nouvelle technologie. Le terme de pancréas artificiel est trompeur car susceptible d'entretenir de faux espoirs. En effet, la première génération de ces dispositifs n'est pas automatique mais hybride. Il s'agit d'une technologie délivrant de l'insuline par une pompe, informée par une intelligence artificielle à la fois impressionnante par les progrès fulgurants récents, mais rudimentaire par rapport aux potentialités annoncées de l'IA. L'algorithme embarqué dans ces premiers dispositifs doit être informé des perturbations métaboliques essentielles : la prise d'une repas ou la pratique d'une activité physique. La participation active du patient est donc requise et conditionne le succès thérapeutique. L'utilisateur, selon les modèles, a accès à des paramétrages permettant d'optimiser l'adéquation entre le comportement de l'algorithme et le profil métabolique du patient. Ces réglages ne sont guère différents de ceux des assistants bolus des pompes traditionnelles : ratios insuline/glucides, sensibilité à l'insuline, objectif glycémique. Certains profils très instables peuvent justifier des paramétrages plus complexes, intégrant la cinétique de l'insuline. Plusieurs travaux ont montré qu'environ 4 semaines sont nécessaires pour optimiser le résultat métabolique obtenu avec une boucle fermée de première génération. Des travaux faisant appel aux techniques d'IA (réseaux neuronaux) sont en cours pour automatiser ces paramétrages. En attendant, le succès thérapeutique exigera de l'équipe diabétologique de bien cerner les indications, de délivrer une formation adéquate, et d'apporter un accompagnement adapté, notamment pendant les premières semaines d'utilisation.