A predictive model for estimating protection against CKD and CVD with SGLT2 inhibition in patients with diabetes
Notice bibliographique
Résumé
Diabetes affects >450 million people worldwide. Elevated blood glucose caused by diabetes can lead to chronic kidney disease (CKD), which increases the risk of end‐stage kidney disease (ESKD) requiring dialysis or a kidney transplant. In type 2 diabetes (T2D), medications called sodium‐glucose cotransporter‐2 (SGLT2) inhibitors have become part of standard of the care for improving glycemic control by promoting urine glucose excretion. These drugs reduce urinary albumin excretion (quantified as urinary albumin‐to‐creatinine ratio, “UACR”, an effect linked with kidney protection), slow CKD progression and delay ESKD, with similar benefits in males and females. In people with T2D, SGLT2 inhibitors also reduce heart failure and cardiovascular events by 20‐40%. But in people with type 1 diabetes (T1D), there are no studies evaluating SGLT2 inhibitors in patients at the highest risk of ESKD or cardiovascular disease (CVD). Building on the benefits of SGLT2 inhibitors in people with T2D, we seek to evaluate the efficacy and mechanisms in people with T1D and CKD. We hypothesize that SGLT2 inhibition will slow loss of kidney function (glomerular filtration rate, or “GFR”) in people with T1D and CKD. To test that hypothesis, we analyze clinical data for a cohort of patients with diabetes and kidney disease, and identify key features that determine the rate of progression of CKD. We then develop personalized assessment tools that yield estimates for protection against CKD and CVD with SGLT2 inhibition in patients with T1D or T2D.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».