Time‐in‐range derived from self‐measured blood glucose in people with type 2 diabetes advancing to <scp>iGlarLixi</scp> : A participant‐level pooled analysis of three phase 3 <scp>LixiLan</scp> randomized controlled trials
Notice bibliographique
Résumé
AIM: To evaluate the efficacy of a fixed-ratio combination of insulin glargine 100 U/mL plus lixisenatide (iGlarLixi) in people with type 2 diabetes (T2D) using derived time-in-range (dTIR). METHODS: Participant-level data from LixiLan-L, LixiLan-O and LixiLan-G were pooled and dTIR (70-180 mg/dL), derived time-above-range (> 180 mg/dL) and derived time-below-range (dTBR; < 70 mg/dL) were calculated from participant seven-point self-monitored blood glucose profiles. RESULTS: This pooled analysis included data from 2420 participants receiving iGlarLixi (n = 1093), iGlar (n = 836), Lixi (n = 234) or a glucagon-like peptide-1 receptor agonist (GLP-1 RA) (n = 257). Numerically greater improvements in least square (LS) means dTIR were seen from baseline to end of treatment (EOT) with iGlarLixi (25.7%) versus iGlar (15.8%), Lixi (11.7%) or GLP-1 RA (16.2%). At EOT, the mean (standard deviation) dTBR was 0.71% ± 3.4%, 0.61% ± 3.2%, 0.08% ± 1.0% and 0.0% ± 0.0% for iGlarLixi, iGlar, Lixi and GLP-1 RA, respectively. In a subgroup analysis, participants aged younger than 65 years (n = 1690) and 65 years or older (n = 713) showed numerically greater improvements in LS means dTIR from baseline to EOT with iGlarLixi versus iGlar, Lixi or GLP-1 RA. CONCLUSIONS: iGlarLixi achieved improvements in dTIR, with low dTBR values, providing further evidence to inform clinical outcomes with the use of iGlarLixi.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,014 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».