Recent advances in new-onset diabetes mellitus after kidney transplantation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A common challenge in managing kidney transplant recipients (KTR) is post-transplant diabetes mellitus (PTDM) or diabetes mellitus (DM) newly diagnosed after transplantation, in addition to known pre-existing DM. PTDM is an important risk factor for post-transplant cardiovascular (CV) disease, which adversely affects patient survival and quality of life. CV disease in KTR may manifest as ischemic heart disease, heart failure, and/or left ventricular hypertrophy. Available therapies for PTDM include most agents currently used to treat type 2 diabetes. More recently, the use of sodium glucose co-transporter 2 inhibitors (SGLT2i), glucagon-like peptide-1 receptor agonists (GLP-1 RA), and dipeptidyl peptidase 4 inhibitors (DPP4i) has cautiously extended to KTR with PTDM, even though KTR are typically excluded from large general population clinical trials. Initial evidence from observational studies seems to indicate that SGLT2i, GLP-1 RA, and DPP4i may be safe and effective for glycemic control in KTR, but their benefit in reducing CV events in this otherwise high-risk population remains unproven. These newer drugs must still be used with care due to the increased propensity of KTR for intravascular volume depletion and acute kidney injury due to diarrhea and their single-kidney status, pre-existing burden of peripheral vascular disease, urinary tract infections due to immunosuppression and a surgically altered urinary tract, erythrocytosis from calcineurin inhibitors, and reduced kidney function from acute or chronic rejection.
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle