Markers of Kidney Injury, Inflammation, and Fibrosis Associated With Ertugliflozin in Patients With CKD and Diabetes
Notice bibliographique
Résumé
IntroductionSodium-glucose cotransporter-2 (SGLT2) inhibitors improve cardiovascular and kidney outcomes through mechanisms that are incompletely understood. In this exploratory post-hoc analysis of the VERTIS RENAL trial, we report the association between the SGLT2 inhibitor, ertugliflozin, and markers of kidney injury, inflammation, and fibrosis in participants with type 2 diabetes (T2D) and stage 3 chronic kidney disease (CKD).MethodsParticipants were randomized to ertugliflozin (5 or 15 mg/d) or placebo, and plasma samples for biomarker analysis were collected at baseline, 26 weeks, and 52 weeks.ResultsErtugliflozin-treated participants had lower plasma levels of kidney injury molecule-1 (KIM-1) at 26 weeks (P = 0.044) and 52 weeks (P = 0.007) and higher eotaxin-1 at 52 weeks (P = 0.007) postrandomization compared with placebo. The change in KIM-1 was not associated with the baseline urine albumin to creatinine ratio (UACR) or the estimated glomerular filtration rate (eGFR, P interaction > 0.05). Additionally, the change in KIM-1 was positively correlated with the change in UACR in participants treated with ertugliflozin (P = 0.0071). No other significant associations between ertugliflozin and changes in the markers of tubular injury, inflammation, fibrosis, oxidative stress, and endothelial dysfunction were observed.ConclusionIn conclusion, in participants with T2D and stage 3 CKD, ertugliflozin was associated with a sustained lowering of the tubular injury marker KIM-1 regardless of baseline kidney function.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».