Risk Assessment of Kidney Disease Progression and Efficacy of SGLT2 Inhibition in Patients With Type 2 Diabetes
Notice bibliographique
Résumé
OBJECTIVE: To develop a risk assessment tool to identify patients with type 2 diabetes (T2D) at higher risk for kidney disease progression and who might benefit more from sodium-glucose cotransporter 2 (SGLT2) inhibition. RESEARCH DESIGN AND METHODS: A total of 41,204 patients with T2D from four Thrombolysis In Myocardial Infarction (TIMI) clinical trials were divided into derivation (70%) and validation cohorts (30%). Candidate predictors of kidney disease progression (composite of sustained ≥40% decline in estimated glomerular filtration rate [eGFR], end-stage kidney disease, or kidney death) were selected with multivariable Cox regression. Efficacy of dapagliflozin was assessed by risk categories (low: <0.5%; intermediate: 0.5 to <2%; high: ≥2%) in Dapagliflozin Effect on Cardiovascular Events (DECLARE)-TIMI 58. RESULTS: There were 695 events over a median follow-up of 2.4 years. The final model comprised eight independent predictors of kidney disease progression: atherosclerotic cardiovascular disease, heart failure, systolic blood pressure, T2D duration, glycated hemoglobin, eGFR, urine albumin-to-creatinine ratio, and hemoglobin. The c-indices were 0.798 (95% CI, 0.774-0.821) and 0.798 (95% CI, 0.765-0.831) in the derivation and validation cohort, respectively. The calibration plot slope (deciles of predicted vs. observed risk) was 0.98 (95% CI, 0.93-1.04) in the validation cohort. Whereas relative risk reductions with dapagliflozin did not differ across risk categories, there was greater absolute risk reduction in patients with higher baseline risk, with a 3.5% absolute risk reduction in kidney disease progression at 4 years in the highest risk group (≥1%/year). Results were similar with the 2022 Chronic Kidney Disease Prognosis Consortium risk prediction model. CONCLUSIONS: Risk models for kidney disease progression can be applied in patients with T2D to stratify risk and identify those who experience a greater magnitude of benefit from SGLT2 inhibition.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».