Risk Factors for Kidney Disease in Type 1 Diabetes
Notice bibliographique
Résumé
OBJECTIVE In type 1 diabetes (T1D), the course of microalbuminuria is unpredictable and timing of glomerular filtration rate (GFR) loss is uncertain. Thus, there is a need to identify the risk factors associated with the development of more advanced stages of kidney disease through large, long-term systematic analysis. RESEARCH DESIGN AND METHODS Multivariable Cox proportional hazards models assessed the association of baseline and time-dependent glycemic and nonglycemic risk factors for incident macroalbuminuria and reduced estimated GFR (eGFR; defined as <60 mL/min/1.73 m2) over a mean of 27 years in the Diabetes Control and Complications Trial (DCCT) cohort. RESULTS Higher mean HbA1c (hazard ratio [HR] 1.969 per 1% higher level [95% CI 1.671–2.319]) and male sex (HR 2.767 [95% CI 1.951–3.923]) were the most significant factors independently associated with incident macroalbuminuria, whereas higher mean triglycerides, higher pulse, higher systolic blood pressure (BP), longer diabetes duration, higher current HbA1c, and lower mean weight had lower magnitude associations. For incident reduced eGFR, higher mean HbA1c (HR 1.952 per 1% higher level [95% CI 1.714–2.223]) followed by higher mean triglycerides, older age, and higher systolic BP were the most significant factors. CONCLUSIONS Although several risk factors associated with macroalbuminuria and reduced eGFR were identified, higher mean glycemic exposure was the strongest determinant of kidney disease among the modifiable risk factors. These findings may inform targeted clinical strategies for the frequency of screening, prevention, and treatment of kidney disease in T1D.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».