Effects of glucagon‐like peptide‐1 receptor agonists liraglutide and semaglutide on cardiovascular and renal outcomes across body mass index categories in type 2 diabetes: Results of the <scp>LEADER</scp> and <scp>SUSTAIN</scp> 6 trials
Notice bibliographique
Résumé
Abstract Associations between body mass index (BMI) and the cardiovascular (CV) and kidney efficacy of glucagon‐like peptide‐1 receptor agonists (GLP‐1 RAs) in patients with type 2 diabetes (T2D) are uncertain; therefore, data analysed separately from the Liraglutide Effect and Action in Diabetes: Evaluation of Cardiovascular Outcome Results (LEADER) trial and the Trial to Evaluate Cardiovascular and Other Long‐term Outcomes with Semaglutide in Subjects with Type 2 Diabetes (SUSTAIN 6) were examined. These international, randomized, placebo‐controlled trials investigated liraglutide and semaglutide (both subcutaneous) in patients with T2D and at high risk of CV events. In post hoc analyses, patients were categorized by baseline BMI (<25, ≥25‐<30, ≥30‐<35 and ≥35 kg/m 2 ), and CV and kidney outcomes with GLP‐1 RA versus placebo were analysed. All baseline BMI data from LEADER (n = 9331) and SUSTAIN 6 (n = 3290) were included (91% and 92% of patients with overweight or obesity, respectively). In SUSTAIN 6, nominally significant heterogeneity of semaglutide efficacy by baseline BMI was observed for CV death/myocardial infarction/stroke (major adverse CV events, primary outcome of both; P interaction = .02); otherwise, there was no statistical heterogeneity for either GLP‐1 RA versus placebo across BMI categories for key CV and kidney outcomes. The lack of statistical heterogeneity from these cardiorenal outcomes implies that liraglutide and semaglutide may be beneficial for many patients and is probable not to depend on their baseline BMI, but further study is needed.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».