Causes of Death in a Contemporary Cohort of Patients With Type 2 Diabetes and Atherosclerotic Cardiovascular Disease: Insights From the TECOS Trial
Notice bibliographique
Résumé
OBJECTIVE We evaluated the specific causes of death and their associated risk factors in a contemporary cohort of patients with type 2 diabetes and atherosclerotic cardiovascular disease (ASCVD). RESEARCH DESIGN AND METHODS We used data from the Trial Evaluating Cardiovascular Outcomes with Sitagliptin (TECOS) study (n = 14,671), a cardiovascular (CV) safety trial adding sitagliptin versus placebo to usual care in patients with type 2 diabetes and ASCVD (median follow-up 3 years). An independent committee blinded to treatment assignment adjudicated each cause of death. Cox proportional hazards models were used to identify risk factors associated with each outcome. RESULTS A total of 1,084 deaths were adjudicated as the following: 530 CV (1.2/100 patient-years [PY], 49% of deaths), 338 non-CV (0.77/100 PY, 31% of deaths), and 216 unknown (0.49/100 PY, 20% of deaths). The most common CV death was sudden death (n = 145, 27% of CV death) followed by acute myocardial infarction (MI)/stroke (n = 113 [MI n = 48, stroke n = 65], 21% of CV death) and heart failure (HF) (n = 63, 12% of CV death). The most common non-CV death was malignancy (n = 154, 46% of non-CV death). The risk of specific CV death subcategories was lower among patients with no baseline history of HF, including sudden death (hazard ratio [HR] 0.4; P = 0.0036), MI/stroke death (HR 0.47; P = 0.049), and HF death (HR 0.29; P = 0.0057). CONCLUSIONS In this analysis of a contemporary cohort of patients with diabetes and ASCVD, sudden death was the most common subcategory of CV death. HF prevention may represent an avenue to reduce the risk of specific CV death subcategories.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».