Dipeptidyl peptidase-4 inhibitors and the risk of skin cancer among patients with type 2 diabetes: a UK population-based cohort study
Notice bibliographique
Résumé
INTRODUCTION: The dipeptidyl peptidase-4 (DPP-4) enzyme significantly influences carcinogenic pathways in the skin. The objective of this study was to determine whether DPP-4 inhibitors are associated with the incidence of melanoma and nonmelanoma skin cancer, compared with sulfonylureas. RESEARCH DESIGN AND METHODS: Using the United Kingdom Clinical Practice Research Datalink, we assembled two new-user active comparator cohorts for each skin cancer outcome from 2007 to 2019. For melanoma, the cohort included 96 739 DPP-4 inhibitor users and 209 341 sulfonylurea users, and 96 411 DPP-4 inhibitor users and 208 626 sulfonylurea users for non-melanoma skin cancer. Propensity score fine stratification weighted Cox proportional hazards models were used to estimate hazard ratios (HRs) with 95% confidence intervals (CIs of melanoma and non-melanoma skin cancer, separately. RESULTS: Overall, DPP-4 inhibitors were associated with a 23% decreased risk of melanoma compared with sulfonylureas (49.7 vs 65.3 per 100 000 person-years, respectively; HR 0.77, 95% CI 0.61 to 0.96). The HR progressively reduced with increasing cumulative duration of use (0-2 years HR 1.14, 95% CI 0.84 to 1.54; 2.1-5 years HR 0.44, 95% CI 0.29 to 0.66; >5 years HR 0.33, 95% CI 0.14 to 0.74). In contrast, these drugs were not associated with the incidence of non-melanoma skin cancer, compared with sulfonylureas (448.1 vs 426.1 per 100 000 person-years, respectively; HR 1.06, 95% CI 0.98 to 1.15). CONCLUSIONS: In this large, population-based cohort study, DPP-4 inhibitors were associated with a reduced risk of melanoma but not non-melanoma skin cancer, compared with sulfonylureas.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».