Advancing kidney protection in type 1 diabetes: insights from emerging therapies in type 2 diabetes and chronic kidney disease
Notice bibliographique
Résumé
INTRODUCTION: For decades, the first-line treatment for kidney protection in people with type 1 diabetes (T1D) and chronic kidney disease (CKD) has been limited to intensive glycemic control, renin-angiotensin system blockers and managing modifiable risk factors. Accordingly, risk of CKD progression has remained unacceptably high, emphasizing the need for novel kidney protective therapies in T1D. AREAS COVERED: This review summarizes the recent evidence supporting the use of existing treatments used for kidney protection in people with type 2 diabetes (T2D) for potential repurposing for people with T1D. First, we highlight the putative structural and functional changes that actively contribute to CKD progression and highlight key hemodynamic, pro-inflammatory, and kidney injury risk markers in T1D. Next, we discuss emerging nephroprotective therapies targeting these pathophysiological factors, review mechanistic studies that have assessed kidney benefits of these agents in T1D, and highlight ongoing kidney-focused trials in T1D, including SUGARNSALT (NCT06217302), FINE-ONE (NCT05901831) and REMODEL-T1D (NCT05822609). EXPERT OPINION: Several medications have become available that could potentially transform CKD care in T1D. It is essential to devise strategies that could address the treatment landscape for kidney protection in T1D by assessing the risk-benefit calculus and expanding the nephrologist's toolkit for minimizing kidney risk in T1D.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».