Potential Underlying Mechanisms Explaining the Cardiorenal Benefits of Sodium–Glucose Cotransporter 2 Inhibitors
Notice bibliographique
Résumé
There is a bidirectional pathophysiological interaction between the heart and the kidneys, and prolonged physiological stress to the heart and/or the kidneys can cause adverse cardiorenal complications, including but not limited to subclinical cardiomyopathy, heart failure and chronic kidney disease. Whilst more common in individuals with Type 2 diabetes, cardiorenal complications also occur in the absence of diabetes. Sodium-glucose cotransporter 2 inhibitors (SGLT2i) were initially approved to reduce hyperglycaemia in patients with Type 2 diabetes. Recently, these agents have been shown to significantly improve cardiovascular and renal outcomes in patients with and without Type 2 diabetes, demonstrating a robust reduction in hospitalisation for heart failure and reduced risk of progression of chronic kidney disease, thus gaining approval for use in treatment of heart failure and chronic kidney disease. Numerous potential mechanisms have been proposed to explain the cardiorenal effects of SGLT2i. This review provides a simplified summary of key potential cardiac and renal mechanisms underlying the cardiorenal benefits of SGT2i and explains these mechanisms in the clinical context. Key mechanisms related to the clinical effects of SGLT2i on the heart and kidneys explained in this publication include their impact on (1) tissue oxygen delivery, hypoxia and resultant ischaemic injury, (2) vascular health and function, (3) substrate utilisation and metabolic health and (4) cardiac remodelling. Knowing the mechanisms responsible for SGLT2i-imparted cardiorenal benefits in the clinical outcomes will help healthcare practitioners to identify more patients that can benefit from the use of SGLT2i.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».