Canagliflozin and Risk of Skin and Soft Tissue Infections in People with Diabetes Mellitus and Kidney Disease in the CREDENCE Trial
Notice bibliographique
Résumé
Background: The skin’s hypertonic microenvironment has a protective antimicrobial function that may be disrupted by sodium glucose cotransporter 2 inhibitors (SGLT2i). We aimed to describe skin and soft tissue infections (SSTI) in the CREDENCE trial and determine whether canagliflozin affects the risk of SSTIs. Methods: We performed a post-hoc analysis of the CREDENCE trial that randomised people with type 2 diabetes and albuminuric stage 2 and 3 chronic kidney disease to either canagliflozin 100mg daily or placebo. Adverse events were assessed by two blinded authors following predetermined criteria for SSTI with discrepancies resolved by consensus. We analysed the risks of SSTIs in the on-treatment population as the more conservative approach, with sensitivity analyses conducted in the intentionto-treat population, for serious events only and for participant subgroups. Univariable time-to first-event regression models were assessed. Results: Overall 373/4397 (8.5%) participants experienced 478 events comprising 252 bacterial skin infections (including 2 episodes of necrotising fasciitis), 94 fungal skin infections, 109 other skin infections and 23 soft tissue infections. Of these, 136/478 (28%) were serious. Canagliflozin did not increase the risk of SSTI (HR 0.85 [95% Confidence Interval (CI) 0.69-1.04] p=0.11), with similar results in the intention-to-treat population (HR 0.88 [95% CI 0.73-1.07] p=0.20), in analyses confined to serious SSTI (HR 0.83 [95% CI 0.58-1.21] p=0.33) and participant subgroups (all p interaction≥0.10). Both cases of necrotising fasciitis were in patients assigned to canagliflozin and the participants recovered after drug was withdrawn. Conclusions: Canagliflozin did not increase the risk of skin and soft tissue infections overall or in any subgroup, in CREDENCE trial participants with type 2 diabetes mellitus and albuminuric chronic kidney disease. Funding: Commercial Support - Janssen sponsored the CREDENCE trial but did not sponsor this post-hoc analysis
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 | 0,011 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».