Meta‐analysis of the effect of sodium–glucose cotransporter 2 inhibitors on hepatic fibrosis in patients with type 2 diabetes mellitus complicated with non‐alcoholic fatty liver disease
Notice bibliographique
Résumé
AIM: This study aimed to analyze the effects of sodium-glucose cotransporter 2 (SGLT2) inhibitors on the indexes of liver fibrosis in patients with type 2 diabetes mellitus complicated with non-alcoholic fatty liver disease, and also to observe the effects on liver enzymes and liver fat. METHODS: This meta-analysis was performed using RevMan 5.3 statistical software. RESULTS: SGLT2 inhibitors could significantly reduce the level of hepatic fibrosis index: fibrosis-4 (mean difference [MD] 0.25, 95% CI -0.39 to -0.11, p = 0.0007); serum type Ⅳ collagen 7s (MD 0.32, 95% CI -0.59 to -0.04, p = 0.02); and ferritin (MD 26.7, 95% CI 50.64, 2.76, p = 0.03). SGLT2 inhibitors could significantly reduce the level of liver enzymes: alanine aminotransferase (MD 3.49, 95% CI -5.1 to 1.58, p < 0.0001); aspartate aminotransferase (MD 3.64, 95% CI -5.10 to -2.18, p < 0.00001); and glutamate aminotransferase (MD 7.13, 95% CI -12.95 to -1.32, p = 0.02). SGLT2 inhibitors could significantly reduce the level of liver fat: liver-to-spleen attenuation ratio (MD 0.16, 95% CI 0.10-0.22, p < 0.00001); magnetic resonance imaging proton density fat fraction (MD 1.97, 95% CI -3.49 to -0.45, p = 0.01); liver controlled attenuation parameter (MD 0.29, 95% CI -26.95 to -13.64, p < 0.00001); liver fat score (MD 0.55, 95% CI 1.04 to -0.05, p = 0.03); and liver fat index (MD 11.21, 95% CI -16.53 to -5.89, p < 0.0001). CONCLUSION: SGLT2 inhibitors could improve liver fibrosis, liver enzymes, liver fat, and metabolic indexes in patients with type 2 diabetes mellitus complicated with non-alcoholic fatty liver 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) | 0,001 | 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 | 0,000 | 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 ».