728-P: Biomarkers of Low-Grade Inflammation in Novel Subtypes of Patients at Risk for Diabetes
Notice bibliographique
Résumé
In the Tübingen Family Study recently 6 subtypes of prediabetic metabolism were identified. Cluster 3, 5 and 6 have a moderate to high risk for T2D or its associated complications. Cluster 3 is characterized by low insulin secretion, cluster 5 by insulin resistance and high liver fat content. Individuals in cluster 6 have an elevated risk of nephropathy despite a delayed diabetes development. Low-grade inflammation has been implicated in the development of T2D and cardiorenal complications. We hypothesized that the subtypes differ in levels of inflammatory biomarkers. Thus, we measured 31 inflammatory biomarkers associated with metabolic disease. We used Bio-Plex® multiplex immunoassays in 145 individuals who were recruited in Tübingen from the Prediabetes Lifestyle Intervention Study (PLIS) - a multicenter study conducted in individuals with ADA-defined prediabetes. Cluster comparison was done using ANOVA models, raw unadjusted values are reported. We identified eight biomarkers which differed among diabetes-risk subtypes, namely MIP1a, MIP1b, IL18, Osteopontin (OPN), IFNy, TNFb, and soluble TNFa-Receptor (sTNF-R)- 1 and -2. High risk cluster 3, 5 and 6 had significantly elevated levels of several inflammatory biomarkers compared to low risk cluster 2 with the lowest levels of these biomarkers. Within the high-risk groups, cluster 5 had increased biomarker levels compared to cluster 3 (e.g., IL-18: cluster 5: 86.2 pg/ml ± 3.9 vs cluster 3: 66.8 pg/ml ± 4.8, p=0.018; OPN: 16.8 ng/ml ± 1.0 vs. 12.8 ng/ml ± 0.8, p = 0.022; MIP1a 2.2 pg/ml ± 0.1 vs. 1.6 pg/ml ± 0.1, p < 0.001). Cluster 6 showed lower levels of IFNy than cluster 3 (2.2pg/ml ± 0.3 vs 3.5pg/ml ± 0.2, P=0.019). Our data show that the novel T2D risk subtypes differ in inflammatory biomarkers. This suggests that a low-grade inflammation may be involved in the progression from prediabetes to T2D and complications. A more precise mechanistic understanding is needed in order to establish precise preventive strategies for different risk phenotypes. Disclosure S.Katzenstein: None. J.Szendroedi: None. M.Roden: Advisory Panel; Eli Lilly and Company, Consultant; TARGET PharmaSolutions, Inc., Research Support; Boehringer-Ingelheim, Novo Nordisk, Novartis, Sanofi. L.Fritsche: None. N.Stefan: Advisory Panel; Pfizer Inc., Research Support; Sanofi, Speaker's Bureau; AstraZeneca, Boehringer Ingelheim (Canada) Ltd., Lilly Diabetes, Novo Nordisk, Sanofi-Aventis Deutschland GmbH. R.Wagner: Advisory Panel; Daiichi Sankyo, Speaker's Bureau; Novo Nordisk, Sanofi. A.Fritsche: Advisory Panel; Novo Nordisk, Lilly, Sanofi, Boehringer-Ingelheim, Speaker's Bureau; AstraZeneca, SYNLAB Holding Deutschland GmbH. A.L.Birkenfeld: None. R.Jumpertz von schwartzenberg: Other Relationship; Sanofi, Amgen Inc., Lilly, Novo Nordisk. A.Sandforth: None. V.Minelli faiao: None. J.Seissler: None. S.R.Bornstein: None. N.Perakakis: Advisory Panel; Bayer Inc., Other Relationship; Novo Nordisk, Novo Nordisk. A.Schürmann: None. S.Kabisch: Other Relationship; Berlin-Chemie AG, Sanofi, Lilly, Boehringer Ingelheim Inc., JuZo Akademie, Research Support; J. Rettenmaier / Söhne, Wilhelm-Doerenkamp Foundation, German Center of Diabetes Research. M.Blüher: Advisory Panel; Boehringer Ingelheim Inc., Lilly, Novo Nordisk, Consultant; Novo Nordisk Foundation, Speaker's Bureau; Amgen Inc., AstraZeneca, Bayer Inc., Daiichi Sankyo, Novartis, Sanofi-Aventis Deutschland GmbH.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».