MétaCan
Menu
Retour à la cohorte
Enregistrement W2900491651 · doi:10.1016/j.molmet.2018.11.003

Predicting and understanding the response to short-term intensive insulin therapy in people with early type 2 diabetes

2018· article· en· W2900491651 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMolecular Metabolism · 2018
Typearticle
Langueen
DomaineMedicine
ThématiquePancreatic function and diabetes
Établissements canadiensLunenfeld-Tanenbaum Research InstituteMount Sinai Hospital
Organismes subventionnairesNovo NordiskJanssen Scientific AffairsTakeda Pharmaceutical CompanyFlorida HospitalGlaxoSmithKlineAstraZenecaBoehringer Ingelheim
Mots-clésType 2 diabetesGlycemicMedicineDiabetes mellitusInternal medicineInsulinPopulationType 1 diabetesOncologyInsulin resistanceEndocrinologyBioinformaticsBiology

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Short-term intensive insulin therapy (IIT) early in the course of type 2 diabetes acutely improves beta-cell function with long-lasting effects on glycemic control. However, conventional measures cannot determine which patients are better suited for IIT, and little is known about the molecular mechanisms determining response. Therefore, this study aimed to develop a model that could accurately predict the response to IIT and provide insight into molecular mechanisms driving such response in humans. METHODS: Twenty-four patients with early type 2 diabetes were assessed at baseline and four weeks after IIT, consisting of basal detemir and premeal insulin aspart. Twelve individuals had a beneficial beta-cell response to IIT (responders) and 12 did not (nonresponders). Beta-cell function was assessed by multiple methods, including Insulin Secretion-Sensitivity Index-2. MicroRNAs (miRNAs) were profiled in plasma samples before and after IIT. The response to IIT was modeled using a machine learning algorithm and potential miRNA-mediated regulatory mechanisms assessed by differential expression, correlation, and functional network analyses (FNA). RESULTS: Baseline levels of circulating miR-145-5p, miR-29c-3p, and HbA1c accurately (91.7%) predicted the response to IIT (OR = 121 [95% CI: 6.7, 2188.3]). Mechanistically, a previously described regulatory loop between miR-145-5p and miR-483-3p/5p, which controls TP53-mediated apoptosis, appears to also occur in our study population of humans with early type 2 diabetes. In addition, significant (fold change > 2, P < 0.05) longitudinal changes due to IIT in the circulating levels of miR-138-5p, miR-192-5p, miR-195-5p, miR-320b, and let-7a-5p further characterized the responder group and significantly correlated (|r| > 0.4, P < 0.05) with the changes in measures of beta-cell function and insulin sensitivity. FNA identified a network of coordinately/cooperatively regulated miRNA-targeted genes that potentially drives the IIT response through negative regulation of apoptotic processes that underlie beta cell dysfunction and concomitant positive regulation of proliferation. CONCLUSIONS: Responses to IIT in people with early type 2 diabetes are associated with characteristic miRNA signatures. This study represents a first step to identify potential responders to IIT (a current limitation in the field) and provides important insight into the pathophysiologic determinants of the reversibility of beta-cell dysfunction. ClinicalTrial.gov identifier: NCT01270789.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,401
Score d'incertitude au seuil0,351

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,257
Écart entre enseignants0,237 · 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