How do SGLT2 inhibitors protect the kidney? A mediation analysis of the EMPA-REG OUTCOME trial
Notice bibliographique
Résumé
INTRODUCTION: Mechanisms underlying kidney benefits with sodium-glucose cotransporter-2 (SGLT2) inhibition in heart failure and/or type 2 diabetes (T2D) with established cardiovascular disease are currently unclear. METHODS: We evaluated post hoc the factors mediating the effect of empagliflozin on a composite kidney outcome (first sustained estimated glomerular filtration rate ≥40% reduction from baseline, initiation of renal replacement therapy or death due to kidney disease) in EMPA-REG OUTCOME (Empagliflozin Cardiovascular Outcome Event Trial in Type 2 Diabetes Mellitus Patients). Variables, calculated as change from baseline or updated mean, were evaluated as time-dependent covariates and using a landmark approach (at Week 12) in Cox regression analyses. In multivariable analyses, variables with the greatest mediating effect were added using a step-up procedure. RESULTS: In univariable time-dependent updated mean covariate analyses, the strongest mediator was hematocrit (99.5% mediation). Hemoglobin, uric acid and urine albumin-to-creatinine ratio mediated 79.4%, 33.2% and 31.0%, respectively. Multivariable analyses were not performed due to the very strong mediation effect of hematocrit. In univariable Week 12 landmark change from baseline analyses, the strongest mediators included hematocrit (40.7%), glycated hemoglobin (28.3%), systolic blood pressure (16.8%) and free fatty acids (16.5%), which yielded a combined mediation of 78.9% in multivariable analysis. CONCLUSIONS: Changes in hematocrit and hemoglobin were the strongest mediators of empagliflozin's kidney benefits in EMPA-REG OUTCOME participants with T2D and cardiovascular disease.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 ».