ODP240 Routine Glucose-lowering Therapies and Risk of Adverse Outcomes in COVID-19 Patients with Diabetes: a Network Meta-analysis
Notice bibliographique
Résumé
Abstract Background We aimed to evaluate the mortality of eight glucose-lowering therapies for COVID-19 patients with diabetes prior to diagnosis of COVID-19. Methods We searched PubMed, Embase, Cochrane Central Register, Web of Science, and ClinicalTrials.gov through June 2021. COVID-19 patients with diabetes while receiving glucose-lowering therapies for at least 14 days prior to COVID-19 confirmed were included. The Newcastle Ottawa scale (NOS) was used to assess the risk of bias in nonrandomized studies. Bayesian network meta-analyses were performed. Results Eleven distinct observational studies (3,631,682 COVID-19 patients with diabetes mellitus) were included. Compared with insulin, DPP4i, secretagogues, glucosidase inhibitors, and thiazolidinediones, the incidence of adverse outcomes in diabetics who took SGLT2i was relatively lower: OR 0.30 (95% CrI 0.17-0.55); 0.42 (0.24-0.83); 0.43 (0.24-0.83); 0.32 (0.16-0.70); 0.47 (0.23-0.95). The SUCRA value of SGLT2i was the lowest (1.8%), followed by GLPIRA (22.1%) and biguanides (33.3%). Conclusion SGLT2I may be an optimal choice for diabetics before COVID-19 infection. GLP1RA and guanidine can also be a good choice for the protection of diabetics during COVID-19 pandemic times. Presentation: No date and time listed
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 | 0,021 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,049 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».