Diabetes mellitus onset in geriatric patients: does long‐term atypical antipsychotic exposure increase risk?
Notice bibliographique
Résumé
BACKGROUND: Diabetes mellitus (DM) in common in adults using psychotropic medications. However, it remains largely unknown whether there is an additional risk of diabetes mellitus (DM) in elderly psychiatric outpatients, particularly those with long-term exposure to atypical antipsychotics (AP). METHODS: In this retrospective longitudinal study, 61 atypical AP-exposed and 64 atypical AP-unexposed geriatric psychiatric patients were compared to a group of 200 psychotropic-naïve controls. Our main composite outcome was diabetes incidence over a 4-year period, defined by fasting blood glucose ≥ 7.0 mmol/L or a new-onset oral hypoglycaemic or insulin prescription during the 4-year period. RESULTS: The 4-year incidence of DM did not differ significantly between groups: 12.3%, 6.7%, and 11.9% in the atypical AP-exposed, atypical AP-unexposed, and control groups, respectively (χ(2) = 1.40, P = 0.50). Depression and antidepressant, cholinesterase inhibitor, and valproate use were independently associated with increases in fasting glucose. However, hyperglycaemia and hypoglycaemic prescriptions were not more common in geriatric psychiatric patients. CONCLUSIONS: DM does not appear to be more common in geriatric psychiatric patients than similarly aged controls and is not more common in atypical AP users. However, depression and antidepressant, cholinesterase inhibitor, and valproate use may increase fasting glucose levels, and the clinical significance of this warrants further investigation. Nonetheless, given the rates of untreated and undertreated fasting hyperglycaemia in both our geriatric psychiatric and control samples (>10% of all patients), we recommend regular screening for DM in these populations.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».