MétaCan
Menu
Retour à la cohorte
Enregistrement W2176915168 · doi:10.1586/17446651.2016.1113129

Insulin degludec/liraglutide (IDegLira) for the treatment of type 2 diabetes

2015· article· en· W2176915168 sur OpenAlexaff
Stephen Gough, Rajeev Jain, Vincent Woo

Notice bibliographique

RevueExpert Review of Endocrinology & Metabolism · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Treatment and Management
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNovo Nordisk
Mots-clésLiraglutideInsulin degludecMedicineType 2 diabetesHypoglycemiaGlycemicInsulinGlucagon-like peptide 1 receptorCombination therapyDiabetes mellitusInternal medicineEndocrinologyInsulin glargineReceptorAgonist

Résumé

récupéré en direct d'OpenAlex

The progressive nature of type 2 diabetes necessitates that treatment is intensified as the disease advances. Several studies have shown that basal insulin and glucagon-like peptide-1 receptor agonists (GLP-1RAs) can be used in combination to successfully improve glycemic control and this combination is increasingly being considered as an alternative to intensification with prandial insulin. Insulin degludec/liraglutide (IDegLira) is the first fixed-ratio combination of a basal insulin and a GLP-1RA in a single formulation. Here we consider the benefits and potential limitations of such a combination, focusing on the unique modes of action of insulin degludec and the once-daily GLP-1RA liraglutide. IDegLira offers an efficacious combination therapy (mean end-of-trial HbA1c was 6.4–6.9% across the five completed Phase 3 trials), which was well-tolerated in clinical trials. The complementary modes of action resulted in a low rate of hypoglycemia and no weight gain in insulin-treated patients. As a once-daily injection with effects on both fasting and post prandial hyperglycemia, IDegLira has the potential to help many patients reach glycemic target (60–81% of patients achieved HbA1c <7% in clinical trials).

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,345
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations35
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueExpert Review of Endocrinology & MetabolismMême sujetDiabetes Treatment and ManagementTravaux en français237 207