Risk factors for kidney disorders in patients with type 2 diabetes at high cardiovascular risk: An exploratory analysis (DEVOTE 12)
Notice bibliographique
Résumé
Aim: To investigate risk factors associated with kidney disorders in patients with type 2 diabetes (T2D) at high cardiovascular (CV) risk. Methods: In DEVOTE, a cardiovascular outcomes trial, 7637 patients were randomised to insulin degludec (degludec) or insulin glargine 100 units/mL (glargine U100), with standard of care. In these exploratory post hoc analyses, serious adverse event reports were searched using Standardised MedDRA ® Queries related to chronic kidney disease (CKD) or acute kidney injury (AKI). Baseline predictors of CKD, AKI and change in estimated glomerular filtration rate (eGFR) were identified using stepwise selection and Cox or linear regression. Results: Over 2 years, eGFR (mL/min/1.73 m 2 ) decline was small and similar between treatments (degludec: 2.70; glargine U100: 2.92). Overall, 97 and 208 patients experienced CKD and AKI events, respectively. A history of heart failure was a risk factor for CKD (hazard ratio [HR] 1.97 [95% confidence interval [CI] 1.41; 2.75]) and AKI (HR 2.28 [95% CI 1.64; 3.17]). A history of hepatic impairment was a significant predictor of CKD (HR 3.28 [95% CI 2.12; 5.07]) and change in eGFR (estimate: −8.59 [95% CI −10.20; −7.00]). Conclusion: Our findings indicate that traditional, non-modifiable risk factors for kidney disorders apply to insulin-treated patients with T2D at high CV risk. Trial registration: NCT01959529 (ClinicalTrials.gov).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».