Type 2 diabetes mellitus and antibiotic-resistant infections: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background Type 2 diabetes mellitus (T2DM) has been associated with infectious diseases; however, whether T2DM is associated with bacterial-resistant infections has not been thoroughly studied. We ascertained whether people with T2DM were more likely to experience resistant infections in comparison to T2DM-free individuals. Methods Systematic review and random-effects meta-analysis. The search was conducted in Medline, Embase and Global Health. We selected observational studies in which the outcome was resistant infections (any site), and the exposure was T2DM. We studied adult subjects who could have been selected from population-based or hospital-based studies. I 2 was the metric of heterogeneity. We used the Newcastle-Ottawa risk of bias scale. Results The search retrieved 3370 reports, 97 were studied in detail and 61 (449 247 subjects) were selected. Studies were mostly cross-sectional or case–control; several infection sites were studied, but mostly urinary tract and respiratory infections. The random-effects meta-analysis revealed that people with T2DM were twofold more likely to have urinary tract (OR=2.42; 95% CI 1.83 to 3.20; I 2 19.1%) or respiratory (OR=2.35; 95% CI 1.49 to 3.69; I 2 58.1%) resistant infections. Although evidence for other infection sites was heterogeneous, they consistently suggested that T2DM was associated with resistant infections. Conclusions Compelling evidence suggests that people with T2DM are more likely to experience antibiotic-resistant urinary tract and respiratory infections. The evidence for other infection sites was less conclusive but pointed to the same overall conclusion. These results could guide empirical treatment for patients with T2DM and infections.
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 | 0,026 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,022 | 0,003 |
| 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 | 0,003 |
| 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 ».