Cardiovascular phenotypes in type 2 diabetes: Latent class analysis of the <scp>CANVAS</scp> Program and <scp>CREDENCE</scp> trial
Notice bibliographique
Résumé
AIM: To identify unique clinical phenotypes in type 2 diabetes (T2D) and investigate their treatment response to canagliflozin using latent class analysis. METHODS: This was a pooled latent class analysis of the individuals in the CANVAS Program and CREDENCE trial. The co-primary endpoints were hospitalization for heart failure (HHF) and the composite of cardiovascular death (CVD) or HHF. Secondary endpoints included three-point major adverse CV events, its individual components, and all-cause mortality. We completed Cox proportional hazards models to evaluate the effect of canagliflozin across phenotypes. RESULTS: Four distinct phenotypes were identified: Phenotype 1 (n = 966, 6.6%), with the lowest prevalence of heart failure, kidney dysfunction and hypertension; Phenotype 2 (n = 4169, 28.7%), primarily comprising females with a high prevalence of atherosclerotic vascular disease (ASCVD); Phenotype 3 (n = 7108, 48.9%), predominately males with a high prevalence of ASCVD; and Phenotype 4 (n = 2300, 15.8%), possessing the highest prevalences of HF and renal dysfunction. A hierarchical increase in the risk of the primary endpoint was observed across the phenotypes, with the highest CV risk observed for Phenotype 4 (hazard ratio for HHF: 7.57 [95% CI: 4.19-13.69]). Canagliflozin significantly reduced HHF and the composite CVD or HHF across phenotypes (all P values for interaction > .05). CONCLUSION: We identified four clinically distinct T2D phenotypes with differential CV risks. Canagliflozin reduced the risk of CV events, irrespective of the phenotype, emphasizing its broad therapeutic acceptability.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».