Abstracts from the 6th Joint Meeting of ABCD & UKKA 2023
Notice bibliographique
Résumé
Objectives: Globally, 40% of people receiving peritoneal dialysis have a diagnosis of diabetes.High-quality data on the potential impact of improving glycaemic control are needed to inform the KDIGO recommendation to individualise HbA1c targets.Methods: The association between first HbA1c and all-cause mortality in people on peritoneal dialysis (PD) for kidney failure recruited into PDOPPS1(2014-2017) and PDOPPS2(2018-2022) identified as diabetic was estimated using Cox proportional hazards models adjusted for age, sex, race, country, albumin, haemoglobin and co-morbidities.To inform HbA1c individualisation, subgroup analyses drawn from these adjustment variables were performed.Results: From 24,259 individuals recruited into PDOPPS, 13,646 were identified as diabetic.Of these, 9,722 had HbA1c performed after a mean of 11.2 months' PD therapy, mean follow-up 17.2 months.Mean HbA1c was 6.9%.Mean HbA1c ranged from 6.4% in Japan to 7.3% in Canada.In people with type 2 diabetes (T2DM), relative to HbA1c 6.0-7.0%,there was weak evidence for increased all-cause mortality for HbA1c >9% (HR 1.18, p=0.067), becoming more robust in those aged <65 years (HR 1.4, p=0.01).In individuals with albumin >3.0g/dL, or those with no previous coronary artery disease (CAD), the threshold for significantly increased mortality dropped to >8% (HR ~1.2 ).The hazard ratio for mortality for the >8% threshold climbed to 1.92 for those aged <65 years, with both serum albumin >3.0g/dL and no previous CAD.Conclusions: In diabetic adults receiving PD for kidney failure, the associations seen between HbA1c and mortality argue for tighter individualised targets for particular patient subgroups (younger, non-inflamed and without established CAD) than clinical practice guidelines have previously suggested.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».