ACE inhibitor or ARB treatment among patients with diabetes and chronic kidney disease
Notice bibliographique
Résumé
OBJECTIVES: Many patients with type 2 diabetes (T2D) and chronic kidney disease (CKD) experience a delay in treatment or fail to initiate treatment with guideline-recommended angiotensin-converting enzyme inhibitors (ACEis) or angiotensin receptor blockers (ARBs) after CKD diagnosis. This study aimed to describe treatment patterns and treatment initiation after initial CKD diagnosis among patients with T2D. STUDY DESIGN: Retrospective analysis using data from the Optum Clinformatics Data Mart administrative claims database (January 2014-September 2018). METHODS: Adult patients with T2D entered the cohort if they met the criteria for CKD, defined as 2 laboratory test results 90 to 365 days apart (January 2014-September 2017) indicating CKD. Included were patients with no prior use of ACEis or ARBs or evidence of kidney disease in the 365 days prior to cohort entry (baseline). Patients were followed for a maximum of 365 days and were censored on death, disenrollment, or end of data. Patient demographics, comorbidities, and medication use were assessed at baseline, and treatments were assessed over a 1-year followup period. Multivariate logistic regression was used to identify factors associated with ACEi or ARB initiation. RESULTS: Among 15,400 eligible patients without prior ACEi or ARB treatment, only 17% initiated such therapy within a year after meeting CKD criteria. Patients who were White, resided in the northeastern United States, had more comorbidities, had less advanced albuminuria, or used sodium-glucose cotransporter 2 inhibitors were less likely to initiate treatment. CONCLUSIONS: A large proportion of patients with T2D meeting criteria for CKD do not initiate the recommended therapy within 1 year of CKD diagnosis, highlighting a need for new therapies that can slow the progression of CKD.
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) | 0,000 | 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 ».