MétaCan
Menu
Retour à la cohorte
Enregistrement W2920867884 · doi:10.14740/jocmr3761

Renoprotective Effects of Additional SGLT2 inhibitor Therapy in Patients With Type 2 Diabetes Mellitus and Chronic Kidney Disease Stages 3b-4: A Real World Report From A Japanese Specialized Diabetes Care Center

2019· article· en· W2920867884 sur OpenAlexvenueno aff
Seigo Sugiyama, Hideaki Jinnouchi, Akira Yoshida, Kunio Hieshima, Noboru Kurinami, Katsunori Jinnouchi, Motoko Tanaka, Tomoko Suzuki, Fumio Miyamoto, Keizo Kajiwara, Tomio Jinnouchi

Notice bibliographique

RevueJournal of Clinical Medicine Research · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Treatment and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineDiabetes mellitusType 2 Diabetes MellitusDiseaseType 2 diabetesKidney diseaseInternal medicineIntensive care medicineEndocrinology

Résumé

récupéré en direct d'OpenAlex

Background: Large randomized clinical trials of patients with type 2 diabetes mellitus (T2DM) and at high risk for cardiovascular disease revealed that sodium-glucose cotransporter 2 (SGLT2) inhibitors significantly reduced renal events. However, the trials included small numbers of patients with moderate-to-severe chronic kidney disease (CKD). Therefore, the renoprotective effects of SGLT2 inhibitors remain unknown in T2DM patients complicated with impaired renal function. We examined if SGLT2 inhibitors conferred beneficial effects on kidney function in T2DM patients with CKD. Methods: We retrospectively recruited T2DM patients who were newly treated with add-on of SGLT2 inhibitors and suffered from moderate-to-severe renal impairment with CKD stages 3b-4 (15 < estimated glomerular filtration rate (eGFR) < 45 mL/min/1.73 m 2 ), at initiation of SGLT2 inhibitor therapy. We analyzed T2DM patients with moderate-to-severe renal impairment who continued to use SGLT2 inhibitors for at least 1 year. We investigated the effects of SGLT2 inhibitor therapy on 1-year changes in eGFR and urinary protein excretion before and after the treatment. Results: We analyzed 42 T2DM patients with median eGFR of 40.4 mL/min/1.73 m 2 . One-year SGLT2 inhibitor therapy lowered median hemoglobin A1c (HbA1c) levels from 7.6% to 7.5% (not significant). Body weight and blood pressure were significantly decreased, and hemoglobin was significantly increased. The median value of eGFR after 1 year of SGLT2 inhibitor therapy was 41.0 mL/min/1.73 m 2 , with no significant difference compared with baseline. The annual decline in eGFR improved significantly after SGLT2 inhibitor therapy (eGFR: (median), pre: -3.8, vs. post: 0.1 mL/min/1.73 m 2 per year, P < 0.01). We also found a significant decrease in urinary protein excretion after SGLT2 inhibitor therapy (urinary protein-to-creatinine ratio: (median), pre: 0.36, vs. post: 0.23 g/g creatinine, n = 35, P < 0.01). Conclusions: This study revealed the promising observations that add-on treatment with SGLT2 inhibitors exerted significant renoprotective effects, culminating in improvements in annual decline in eGFR and urinary protein excretion in T2DM patients with CKD stages 3b-4, but did not significantly reduce HbA1c. Further prospective clinical trials are warranted to fully elucidate the effects of SGLT2 inhibitors on glycemic control and renal function in T2DM patients with moderate-to-severe renal impairment. J Clin Med Res. 2019;11(4):267-274 doi: https://doi.org/10.14740/jocmr3761

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,029
Tête enseignante GPT0,377
Écart entre enseignants0,347 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations26
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Medicine ResearchMême sujetDiabetes Treatment and ManagementTravaux en français237 207