FP482EGFR LOSS WITH GLUCAGON-LIKE PEPTIDE-1 (GLP-1) ANALOGUE TREATMENT: DATA FROM SUSTAIN 6 AND LEADER
Notice bibliographique
Résumé
INTRODUCTION: Previous SUSTAIN 6 and LEADER cardiovascular (CV) outcomes trials data indicate the GLP-1 analogues semaglutide and liraglutide may have beneficial effects on kidney function. This post hoc analysis investigated the semaglutide and liraglutide effects on change in eGFR evaluated as total eGFR slope. METHODS: SUSTAIN 6 and LEADER assessed CV, kidney and safety outcomes with semaglutide and liraglutide vs placebo, in 3297 and 9340 patients with type 2 diabetes and at high CV risk, respectively. Median treatment duration was 2.1 and 3.8 years, respectively. In the current analysis, eGFR change over time was evaluated by overall population and baseline eGFR subgroup (<60 vs ≥60 mL/min/1.73 m2) for semaglutide (1.0 mg) and liraglutide vs placebo using a linear regression model with random slope and intercept; treatment differences between annual slopes were estimated (ETDs). RESULTS: In the overall population, a slower rate of annual eGFR reduction was observed with semaglutide vs placebo (mean annual ETD of 0.87 mL/min/1.73 m2 favouring semaglutide); this effect appeared more pronounced for baseline eGFR <60 mL/min/1.73 m2, (annual ETD: 1.62 mL/min/1.73 m2 slower eGFR reduction, Table). In LEADER, the annual eGFR reduction was slower for liraglutide vs placebo for the overall population; the effect was more marked in patients with baseline eGFR <60 mL/min/1.73 m2 (annual ETD: 0.67 mL/min/1.73 m2 slower eGFR reduction, Table). CONCLUSIONS: Annual loss of kidney function was slower in patients treated with semaglutide or liraglutide vs placebo. The benefit appears more pronounced in patients with pre‑existing chronic kidney disease.
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) | 0,000 | 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) | 0,000 | 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 ».