Dapagliflozin in Patients with Low and High uACR
Notice bibliographique
Résumé
Background: We explored clinical outcomes in new users of dapagliflozin 10 mg with low urine albumin to creatinine ratio (uACR; 30-200 mg/g) and high uACR (≥ 200 mg/g) in patients with chronic kidney disease (CKD), with and without type 2 diabetes (T2D). Methods: This study used claims data from the USA between 2021 and 2022. Patients with and without T2D who were new users of dapagliflozin 10 mg were indexed at treatment start and grouped according to baseline uACR (low or high). Patients on dialysis or immunosuppressive drugs or with polycystic kidney disease or stage 5 CKD were excluded. Incidence of hospitalization for cardiorenal events (CKD or heart failure) and atherosclerotic cardiovascular diseases (ASCVD) were compared separately within non-T2D and T2D populations using age- and sex-adjusted survival regression. Results: In non-T2D patients, 332 (54%) new users of dapagliflozin had low uACR and 286 (46%) had high uACR. Corresponding numbers for patients with T2D were 1987 (53%) and 1741 (47%). New users of dapagliflozin with low and high uACR had similar baseline characteristics, both with and without T2D. In non-T2D patients, event rates for cardiorenal hospitalizations were similar in the low and high uACR groups (8.3 and 9.2 per 100 patient-years, respectively). There was no significant risk difference between low and high uACR (hazard ratio [HR] 1.16, 95% confidence interval [CI] 0.54-2.49; Figure). Similar results were seen in patients with T2D (HR 0.92, 95% CI 0.68-1.24). In contrast, the risk of ASCVD was significantly higher in patients with high uACR versus low uACR (HR 1.67, 95% CI 1.03-2.72). Conclusions: Dapagliflozin's beneficial effect on cardiorenal risks appeared similar in patients with low and high uACR independent of T2D. ASCVD risk remained higher in high versus low uACR patients. These findings suggest cardiorenal effectiveness of dapagliflozin in patients with CKD and low uACR, without T2D. Funding: Commercial Support - AstraZeneca
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».