Management of dyslipidaemia in patients with comorbidities: facing the challenge
Notice bibliographique
Résumé
Dyslipidaemia is a common chronic kidney disease (CKD) and contributes to excessively elevated cardiovascular mortality. The pathophysiology is complex and modified by comorbidities like the presence/absence of proteinuria, diabetes mellitus or drug treatment. This paper provides an overview of currently available treatment options. We focused on individuals with CKD and excluded those on renal replacement therapy (haemodialysis, peritoneal dialysis, or kidney transplantation). The use of statins is safe and recommended in most patients, but guidelines vary with respect to low-density lipoprotein (LDL) cholesterol goals. While no dedicated primary or secondary prevention studies are available for pro-protein convertase subtilisin/kexin type 9 inhibitors, secondary analyses of large outcome trials reveal no effect modification on endpoints by the presence of CKD. Similar data have been shown for bempedoic acid, but no definite conclusion can be drawn with respect to efficacy and safety. No outcome trials are available for inclisiran while the cholesterol lowering effects seem to be unaffected by CKD. Finally, the value of fibrates and icosapent ethyl in CKD is unclear. Lipid abnormalities contribute to the massive cardiovascular disease burden in CKD. Lowering of LDL cholesterol with statins (and most likely PCSK9 inhibitors) reduces the event rate and thus statin therapy should be initiated in almost all individuals. Other interventions (bempedoic acid, inclisiran, fibrates, or icosapent ethyl) currently need a case-by-case decision before prescription.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| 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 ».