Risk Factors for Fracture in Patients with Coexisting Chronic Kidney Disease and Type 2 Diabetes: An Observational Analysis from the CREDENCE Trial
Notice bibliographique
Résumé
Background: The fracture pathophysiology associated with type 2 diabetes and chronic kidney disease (CKD) is incompletely understood. We examined individual fracture predictors and prediction sets based on different pathophysiological hypotheses, testing whether any of the sets improved prediction beyond that based on traditional osteoporotic risk factors. Methods: Within the CREDENCE cohort with adjudicated fracture outcomes, we assessed the association of individual factors with fracture using Cox regression models. We used the Akaike information criteria (AIC) and Schwartz Bayes Criterion (SBC) to assess six separate variable sets based on hypothesized associations with fracture, namely, traditional osteoporosis, exploratory general population findings, cardiovascular risk, CKD-mineral and bone disorder, diabetic osteodystrophy, and an all-inclusive set containing all variables. Results: Fracture occurred in 135 (3.1%) participants over a median 2.35 [1.88-2.93] years. Independent fracture predictors were older age (hazard ratio [HR] 1.04, confidence interval [CI] 1.01-1.06), female sex (HR 2.49, CI 1.70-3.65), previous fracture (HR 2.30, CI 1.58-3.34), Asian race (HR 1.74, CI 1.09-2.78), vitamin D therapy requirement (HR 2.05, CI 1.31-3.21), HbA1c (HR 1.14, CI 1.00-1.32), prior cardiovascular event (HR 1.60, CI 1.10-2.33), and serum albumin (HR 0.41, CI 0.23-0.74) (lower albumin associated with greater risk). The goodness of fit of the various hypothesis sets was similar (AIC range 1870.92-1849.51, SBC range 1875.60-1948.04). Conclusion: Independent predictors of fracture were identified in the CREDENCE participants with type 2 diabetes and CKD. Fracture prediction was not improved by models built on alternative pathophysiology hypotheses compared with traditional osteoporosis predictors.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».