MétaCan
Menu
Retour à la cohorte
Enregistrement W4409886135 · doi:10.1001/jamainternmed.2025.0686

SGLT2 Inhibitors and Risk for Hyperkalemia Among Individuals Receiving RAAS Inhibitors

2025· article· en· W4409886135 sur OpenAlexaffabout
Sara Wing, Joel G. Ray, Kevin Yau, Nivethika Jeyakumar, Sheikh S. Abdullah, Bin Luo, David Z.I. Cherney, Ziv Harel, Gregory L. Hundemer, Thomas A. Mavrakanas, Amber O. Molnar, Ayodele Odutayo, Jeffrey Perl, Ann Young, David M. Charytan, M. Lynn Weir, Ron Wald

Notice bibliographique

RevueJAMA Internal Medicine · 2025
Typearticle
Langueen
DomaineMedicine
ThématiquePotassium and Related Disorders
Établissements canadiensUniversity Health NetworkHealth Sciences CentreMcGill University Health CentreInstitute for Clinical Evaluative SciencesUniversity of OttawaMcMaster UniversityLondon Health Sciences CentreWestern UniversityUniversity of TorontoSt. Michael's HospitalSunnybrook Health Science CentreLawson Health Research Institute
Organismes subventionnairesnon disponible
Mots-clésMedicineHyperkalemiaDiabetes mellitusRenal functionInternal medicineKidney diseaseCohortPopulationRetrospective cohort studyCohort studyHeart failureEndocrinologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Importance: Hyperkalemia is a common complication of taking a renin-angiotensin-aldosterone system inhibitor (RAASi). Post hoc analyses of large randomized clinical trials suggested that the addition of sodium-glucose cotransporter 2 inhibitors (SGLT2i) may attenuate this risk. It is unknown if this observation extends to daily clinical practice. Objective: To evaluate the association between SGLT2i initiation and hyperkalemia in individuals receiving RAASi with a background of diabetes, heart failure, or chronic kidney disease. Design, Setting, and Participants: This population-based retrospective cohort study was conducted in Ontario, Canada, from July 1, 2015, to June 30, 2021. The cohort comprised adults 66 years and older who were prescribed a RAASi and had a history of diabetes or heart failure, an estimated glomerular filtration rate of less than 45 mL/min/1.73 m2, and/or a urine albumin to creatinine ratio of greater than 30 mg/mmol. The data were analyzed between March 28, 2023, and March 22, 2024. Exposure: The study exposure was a new prescription of an SGLT2i compared to noninitiation of an SGLT2i. Inverse probability of treatment weighting by a propensity score for the receipt of SGLT2i was used to achieve balance of baseline covariates in both exposure groups. Main Outcomes and Measures: The primary study outcome was hyperkalemia, defined as a serum potassium of greater than 5.5 mEq/L or an administrative code for an inpatient or outpatient encounter with hyperkalemia within 1 year of the index date. Results: A total of 20 063 individuals who initiated an SGLT2i (mean [SD] age, 76.9 [6.6] years; 12 020 [59.9%] male) were compared to a pseudopopulation of 19 781 nonusers (mean [SD] age, 76.8 [7.0] years; 11 731 [59.3%] male). In the overall cohort, 95% had diabetes, 17% had heart failure, and 32% had stage 3 to 5 chronic kidney disease. SGLT2i initiation was associated with a lower risk of hyperkalemia (hazard ratio, 0.89 [95% CI, 0.82-0.96]). SGLT2i users had a significantly lower rate of RAASi discontinuation compared to nonusers (36% vs 45%; P < .001). Conclusions and Relevance: This cohort study demonstrated that, among individuals with diabetes, heart failure, or chronic kidney disease who were receiving a RAASi, SGLT2i initiation was associated with a lower risk of hyperkalemia and RAASi discontinuation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,143
Score d'incertitude au seuil0,284

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,269
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJAMA Internal MedicineMême sujetPotassium and Related DisordersTravaux en français237 207