Risk of chronic kidney disease defined by decreased estimated glomerular filtration rate in individuals with different prediabetic phenotypes: results from a prospective cohort study in China
Notice bibliographique
Résumé
Objective We aimed to investigate the effects of prediabetes and its phenotypes of impaired fasting glucose (IFG), impaired glucose tolerance (IGT) and elevated glycated hemoglobin A 1 c (EHbA 1c ) on chronic kidney disease (CKD) occurrence, and define the cut-off point of each glycemic index that significantly increases the risk of CKD. Research design and methods In this prospective cohort study, 6446 non-diabetic subjects aged 40 years and over were followed over a period of 3 years to track the new onset of CKD. Cox regression was used to assess the association of prediabetes and its phenotypes with CKD. Receiver operating characteristic curves were used to define the cut-off point of each glycemic index that significantly increases the occurrence of CKD. Population attributable risk percent was calculated to estimate the contribution of prediabetes to CKD. Results Compared to subjects with normal glucose tolerance, patients with prediabetes significantly increased the risk of development of CKD (HR=2.33 (1.19–4.55)). Specifically, this increased risk of CKD development was observed in patients with IFG, IGT and EHbA 1c . The cut-off points shown to significantly increase the risk of CKD are fasting plasma glucose of 5.63 mmol/L, 2-hour plasma glucose of 6.80 mmol/L and HbA 1c of 5.6%. The contribution of prediabetes to CKD occurrence in the study population was 60.6%. Conclusions This result suggests that the stricter criteria might be needed to define normal plasma glucose level in China that would not be predisposed to diabetic complications, particularly CKD.
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».