Precision Prognostics for Cardiovascular Disease in Type 2 Diabetes: A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Abstract Background Precision medicine has the potential to improve cardiovascular disease (CVD) risk prediction in individuals with type 2 diabetes (T2D). Methods We conducted a systematic review and meta-analysis of longitudinal studies to identify potentially novel prognostic factors that may improve CVD risk prediction in T2D. Out of 9380 studies identified, 416 studies met inclusion criteria. Outcomes were reported for 321 biomarker studies, 48 genetic marker studies, and 47 risk score/model studies. Results Out of all evaluated biomarkers, only 13 showed improvement in prediction performance. Results of pooled meta-analyses, non-pooled analyses, and assessments of improvement in prediction performance and risk of bias, yielded the highest predictive utility for N-terminal pro b-type natriuretic peptide (NT-proBNP) (high-evidence), troponin-T (TnT) (moderate-evidence), triglyceride-glucose (TyG) index (moderate-evidence), Genetic Risk Score for Coronary Heart Disease (GRS-CHD) (moderate-evidence); moderate predictive utility for coronary computed tomography angiography (low-evidence), single-photon emission computed tomography (low-evidence), pulse wave velocity (moderate-evidence); and low predictive utility for C-reactive protein (moderate-evidence), coronary artery calcium score (low-evidence), galectin-3 (low-evidence), troponin-I (low-evidence), carotid plaque (low-evidence), and growth differentiation factor-15 (low-evidence). Risk scores showed modest discrimination, with lower performance in populations different from the original development cohort. Conclusions Despite high interest in this topic, very few studies conducted rigorous analyses to demonstrate incremental predictive utility beyond established CVD risk factors for T2D. The most promising markers identified were NT-proBNP, TnT, TyG and GRS-CHD, with the highest strength of evidence for NT-proBNP. Further research is needed to determine their clinical utility in risk stratification and management of CVD in T2D. Plain Language Summary Patients with T2D are at high risk for CVD but predicting who will experience a cardiac event is challenging. Current risk tools and prognostic factors, such as laboratory tests, may not accurately predict risk in all patient populations. There is a need for personalized risk prediction tools to classify patients more accurately so that CVD prevention can be targeted to those who need it most. This study summarizes the best available evidence for novel biomarkers, genetic markers, and risk scores that predict CVD in individuals with T2D. We found that four laboratory markers and a genetic risk score for CHD had high predictive utility beyond traditional CVD risk factors. Risk scores had modest predictive utility when tested in diverse populations. More studies are needed to determine their usefulness in clinical practice. The highest strength of evidence was observed for NT-proBNP, a biomarker currently measured to monitor patients with heart failure in clinical practice, but not for CVD prediction in 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 | 0,021 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,020 | 0,038 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| 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 ».