Cardiometabolic and Kidney Protection in Kidney Transplant Recipients With Diabetes: Mechanisms, Clinical Applications, and Summary of Clinical Trials
Notice bibliographique
Résumé
Kidney transplantation is the therapy of choice for patients with end-stage renal disease. Preexisting diabetes is highly prevalent in kidney transplant recipients (KTR), and the development of posttransplant diabetes is common because of a number of transplant-specific risk factors such as the use of diabetogenic immunosuppressive medications and posttransplant weight gain. The presence of pretransplant and posttransplant diabetes in KTR significantly and variably affect the risk of graft failure, cardiovascular disease (CVD), and death. Among the many available therapies for diabetes, there are little data to determine the glucose-lowering agent(s) of choice in KTR. Furthermore, despite the high burden of graft loss and CVD among KTR with diabetes, evidence for strategies offering cardiovascular and kidney protection is lacking. Recent accumulating evidence convincingly shows glucose-independent cardiorenal protective effects in non-KTR with glucose-lowering agents, such as sodium-glucose cotransporter-2 inhibitors and glucagon-like peptide-1 receptor agonists. Therefore, our aim was to review cardiorenal protective strategies, including the evidence, mechanisms, and rationale for the use of these glucose-lowering agents in KTR with diabetes.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».