MétaCan
Menu
Retour à la cohorte
Enregistrement W4375862561 · doi:10.1161/circulationaha.122.063374

Twenty Years of Cardiovascular Complications and Risk Factors in Patients With Type 2 Diabetes: A Nationwide Swedish Cohort Study

2023· article· en· W4375862561 sur OpenAlexaff
Naveed Sattar, John J.V. McMurray, Jan Borén, Araz Rawshani, Elmir Ömerovic, Niklas Berg, Janita Halminen, Kristoffer Skoglund, Björn Eliasson, Hertzel C. Gerstein, Darren K. McGuire, Deepak L. Bhatt, Aidin Rawshani

Notice bibliographique

RevueCirculation · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes, Cardiovascular Risks, and Lipoproteins
Établissements canadiensPopulation Health Research Institute
Organismes subventionnairesSt. Jude MedicalNational Institutes of HealthEsperion TherapeuticsDuke Clinical Research InstituteNovo NordiskEisaiAmarin CorporationBoston Scientific CorporationBristol-Myers SquibbEli Lilly and CompanyAstraZenecaCSL BehringIdorsia PharmaceuticalsCleveland ClinicBelvoir Media GroupDaiichi Sankyo EuropeSanofiAmgenVetenskapsrådetPfizer
Mots-clésMedicineType 2 diabetesInternal medicineMyocardial infarctionRisk factorBody mass indexDiabetes mellitusProportional hazards modelGlycated hemoglobinIncidence (geometry)Coronary artery diseaseCardiologyEndocrinology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The goal of this work was to investigate trends (2001-2019) for cardiovascular events and cardiometabolic risk factor levels in individuals with type 2 diabetes (T2D) and matched control subjects. METHODS: This study included 679 072 individuals with T2D from the Swedish National Diabetes Register and 2 643 800 matched control subjects. Incident outcomes comprised coronary artery disease, acute myocardial infarction, cerebrovascular disease, and heart failure (HF). Trends in time to first event for each outcome were analyzed with Cox regression and standardized incidence rates. In the group with T2D, Cox regression was also used to assess risk factor levels beyond target and outcomes, as well as the relative importance of each risk factor to each model. RESULTS: Among individuals with T2D, incidence rates per 10 000 person-years in 2001 and 2019 were as follows: acute myocardial infarction, 73.9 (95% CI, 65.4-86.8) and 41.0 (95% CI, 39.5-42.6); coronary artery disease, 205.1 (95% CI, 186.8-227.5) and 80.2 (95% CI, 78.2-82.3); cerebrovascular disease, 83.9 (95% CI, 73.6-98.5) and 46.2 (95% CI, 44.9-47.6); and HF, 98.3 (95% CI, 89.4-112.0) and 75.9 (95% CI, 74.4-77.5). The incidence for HF plateaued around 2013, a trend that then persisted. In individuals with T2D, glycated hemoglobin, systolic blood pressure, estimated glomerular filtration rate, and lipids were independently associated with outcomes. Body mass index alone potentially explained >30% of HF risk in T2D. For those with T2D with no risk factor beyond target, there was no excess cardiovascular risk compared with control subjects except for HF, with increased hazard with T2D even when no risk factor was above target (hazard ratio, 1.50 [95% CI, 1.35-1.67]). Risk for coronary artery disease and cerebrovascular disease increased in a stepwise fashion for each risk factor not within target. Glycated hemoglobin was most prognostically important for incident atherosclerotic events, as was body mass index for incident of HF. CONCLUSIONS: Risk and rates for atherosclerotic complications and HF are generally decreasing among individuals with T2D, although HF incidence has notably plateaued in recent years. Modifiable risk factors within target levels were associated with lower risks for outcomes. This was particularly notable for systolic blood pressure and glycated hemoglobin for atherosclerotic outcomes and body mass index for heart failure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,406

Scores Codex et Gemma par catégorie

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

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 Opus0,013
Tête enseignante GPT0,228
Écart entre enseignants0,216 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations106
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCirculationMême sujetDiabetes, Cardiovascular Risks, and LipoproteinsTravaux en français237 207