434-P: Urinary Proteome Classifiers in Prediabetes Clusters
Notice bibliographique
Résumé
Objective: Patients with prediabetes have recently been classified into 6 prediabetes clusters, that stratify the risk of diabetes and complications. Cluster 1, 2 and 4 are low risk-clusters while cluster 3, 5 and 6 are high-risk clusters. Of notice, especially patients of cluster 6 have an elevated risk of nephropathy despite their low diabetes risk. To investigate if differences across clusters can be captured from urine peptidome, we studied differences in pre-specified urinary peptidome classifiers across age and sex matched participants from 6 prediabetes clusters (n=249, median age 46 (IQR 39 - 54) years, BMI 30.4 (26.9 - 39.4) kg/m², HbA1c 5.5 (5.3 - 5.8) %). Methods: Peptides in spot urine samples collected at the University Hospital Tuebingen from 11/2004 to 11/2012 were investigated using capillary electrophoresis coupled mass spectroscopy. The following classifiers based on multiple urine peptides had been developed to detect different conditions and were assessed: CKD273 (chronic kidney disease, CKD), validated in a large clinical cohort), HF1 and HF2 (heart failure), CAD238 (coronary artery disease, CAD), Col_death (collagen type-1 turnover), solid_tumor (solid tumor). Matsuda index and NEFA insulin sensitivity index (ISI) were used for estimation of insulin sensitivity. Results: The urinary peptidome classifiers CKD273, HF2 and CAD238 were significantly different between prediabetes clusters, with elevated values in cluster 6 compared to the healthiest cluster 2. These classifiers also correlated with Matsuda index and NEFA ISI. Classifiers HF1, Col_death and solid_tumor did not associate with prediabetes clusters or insulin sensitivity indices. Conclusions: Beyond corroboration of a previously described increased risk of CKD, urinary peptidome classifiers suggest elevated risk of heart failure and coronary artery disease in persons of the prediabetes cluster 6. This could underlie increased mortality in this group, independent of diabetes development. Disclosure A.Schork: None. A.L.Birkenfeld: None. 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. E.D.Schleicher: None. A.Peter: None. M.Heni: Advisory Panel; Boehringer-Ingelheim, Sanofi, Research Support; Boehringer Ingelheim Inc., Speaker's Bureau; Lilly, Bayer Inc., Sanofi, Boehringer-Ingelheim, Novo Nordisk, Amryt Pharma Plc. 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.Jumpertz von schwartzenberg: Other Relationship; Sanofi, Amgen Inc., Lilly, Novo Nordisk. H.Mischak: Stock/Shareholder; Mosaiques Diagnostics. J.Siwy: Employee; Mosaiques-Diagnostics 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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».