Baseline Kidney Function and the Effects of Dapagliflozin On Health Status in Heart Failure in DEFINE-HF and PRESERVED-HF
Notice bibliographique
Résumé
Abstract Aims Sodium–glucose co-transporter-2 (SGLT2) inhibitors improve health status and outcomes in the setting of heart failure (HF) across the range of ejection fraction (EF). Baseline kidney disease is common in HF, complicates HF management and is strongly linked to worse health status. This study aimed to assess whether the treatment effects of dapagliflozin on health status vary based on estimated glomerular filtration rate (eGFR). Methods and Results We conducted a pooled participant-level analysis of two double-blind, randomized trials, DEFINE-HF (n = 236) and PRESERVED-HF (n = 324), which evaluated dapagliflozin versus placebo. Both multicentre studies enrolled adults with HF, New York Heart Association Class II or higher, elevated natriuretic peptides, and an EF < 40% in DEFINE-HF or >45% in PRESERVED-HF. The primary exposure was eGFR. The main outcome was the Kansas City Cardiomyopathy Questionnaire Clinical Summary Score (KCCQ-CSS) at 12 weeks. Across both trials, there were 583 (99.3%) participants with a baseline eGFR. The median (25th, 75th) eGFR was 59 (46, 77) mL/min/1.73 m2. Dapagliflozin improved KCCQ-CSS at 12 weeks [placebo-adjusted difference, +5.0 points, 95% confidence interval (CI) 2.6–7.5; P < 0.001], and this was consistent in participants with an eGFR ≥ 60 (+6.0 points, 95% CI 2.4–9.7; P = 0.001) and eGFR < 60 (+4.1 points, 95% CI 0.5–7.7; P = 0.025) (P interaction = 0.46). The benefits of dapagliflozin on KCCQ-CSS remained robust across eGFR when modelled as a continuous variable (P interaction = 0.48). Conclusions Dapagliflozin led to early and clinically meaningful improvements in health status in HF patients, regardless of EF or baseline eGFR.
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 | 0,000 |
| 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 ».