MétaCan
Menu
Retour à la cohorte
Enregistrement W4255512187 · doi:10.14740/jem564

Dapagliflozin Add-On Therapy Improves Body Composition and Metabolic Parameters in Overweight Type 2 Diabetic Patients: A Pilot Study

2019· article· en· W4255512187 sur OpenAlexvenueno aff
Ugo Di Folco, Alessandra Gatti, Maria Rosaria Nardone, Claudio Tubili

Notice bibliographique

RevueJournal of Endocrinology and Metabolism · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Treatment and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDapagliflozinMedicineOverweightInternal medicineBody mass indexEndocrinologyMetforminDiabetes mellitusType 2 diabetesWeight lossType 2 Diabetes MellitusBody waterObesityBody weight

Résumé

récupéré en direct d'OpenAlex

Background: Sodium-glucose cotransporter-2 inhibitors (SGLT2-i) inhibit renal glucose reabsorption in the proximal tubules, and reduce plasma glucose, body weight and cardiovascular risk in patients with type 2 diabetes mellitus (T2DM). The data on the effect of SGLT-2i on body composition are conflicting: in some reports, they reduce fat mass, while in other reports, they determine reduction of extra- and intra-cellular fluids. The aim of our pilot study was to investigate the body compartments changes and the effects on glycemia and plasma lipids of add-on SGLT2-i dapagliflozin therapy in poorly controlled overweight/obese T2DM patients. Methods: Fifty-six overweight (body mass index (BMI) > 25) uncontrolled (HbA1c > 53 mmol/mol; 7%) T2DM outpatients were recruited. They were treated with metformin and basal insulin (group A) or metformin (group B). Weight, BMI, waist circumference (WC), fasting blood glucose (FPG), HbA1c, plasma lipids, bioelectric parameters and derived body compartments (phase angle (pA), total body water (TBW), fat free mass (FFM) and fat mass (FM)) were assessed at baseline (T0) and after 16 weeks (T1) of dapagliflozin 10 mg add-on treatment. Student’s t -test and one-way analysis of variance (ANOVA) were used to compare the T0 and T1 data. Results: After 16 weeks, all the patients had weight loss (-3.0 ± 0.6 kg, P < 0.0001) and reduced WC (-2.5 ± 0.6 cm, P < 0.0001). Weight reduction was significant in both groups separately (group A: -2.5 ± 0.3 kg, P <= 0.001; group B: -3.4 ± 0.4 kg, P <= 0.001) and was higher in group B. FFM was not impaired in group A (from 60.2 ± 5.2 to 59.5 ± 8.1 kg; ns) and in group B (from 60.4 ± 6.2 to 59.3 ± 6.6 kg; ns). FM decreased in all the patients (29.9 ± 6.84 kg vs. 26.30 ± 7.4 kg, P < 0.000); a higher reduction was found in group B (-3.6 ± 1.2 kg, P < 0.001) vs. group A (-2.3 ± 1.3 kg, P < 0.001). Metabolic control improved in all the patients: FPG 172 ± 49.4 mg/dL vs. 137 ± 36.8 mg/dL at T1, P < 0.0001; HbA1c 69 ± 9.3 mmol/mol (8.5±1.5%) vs. 60 ± 8.7 mmol/mol (7.6±1.4%), P = 0.000. In group A, insulin dose was reduced by 9.3%. Cholesterol and triglycerides (TG) levels decreased in overall population (181.8 ± 48.8 mg/dL vs. 170.7 ± 40.7, P = 0.003; 172 ± 93 mg/dL vs. 143.2 ± 87.8, P = 0.000). Conclusions: Dapagliflozin add-on therapy induced weight loss and metabolic improvement in overweight and obese T2DM patients. Also insulin-treated patients had weight loss (2.5 kg). Bioelectric impedance analysis (BIA) demonstrated FM loss without FFM impairment and was confirmed to be a simple and effective method to assess body composition in clinical practice. J Endocrinol Metab. 2019;9(4):90-94 doi: https://doi.org/10.14740/jem564

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,261
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Endocrinology and MetabolismMême sujetDiabetes Treatment and ManagementTravaux en français237 207