Association between dipeptidyl peptidase-4 inhibitors and glucagon-like peptide-1 receptor agonists and COVID-19 infection and adverse outcomes: a cohort study
Notice bibliographique
Résumé
INTRODUCTION: People with type 2 diabetes (T2DM) have an elevated risk of adverse outcomes from COVID-19. Dipeptidyl peptidase-4 inhibitors (DPP4is) and glucagon-like peptide-1 receptor agonists (GLP1RAs) might have favorable effects on COVID-19 outcomes. RESEARCH DESIGN AND METHODS: We conducted a population-based cohort study in Ontario, Canada. We compared the risk of both COVID-19 infection as well as adverse outcomes between users of DPP4i or GLP1RA and users of sodium-glucose cotransporter-2 inhibitors (SGLT2is) or sulfonylureas (SUs). The study population was persons ≥66 years with T2DM taking metformin who had ≥1 COVID-19 PCR test between January 2020 and July 2021. We compared (1) COVID-19 infection and (2) adverse outcomes at 30 days among COVID-19 positive patients (major cardiovascular (CV) events, hospitalizations, intensive care unit admission, all-cause mortality, venous thromboembolism, mechanical ventilation). We reported weighted risk differences (RDs) and relative risks (RRs). RESULTS: There were 26,485 DPP4i/GLP1RA users (mean age 76, 47% female, 91% DPP4i users) and 14,487 SGLT2i/SU users (mean age 75, 39% female, 65% SGLT2i users). The weighted rate of COVID-19 infection in DPP4i/GLP1RA users was 10.3% compared with 10.4% among SGLT2i/SU users (weighted RD -0.06, 95% CI -0.79 to 0.66; RR 0.99, 95% CI 0.93 to 1.07). Among COVID-19 positive patients, the weighted RD for all-cause hospitalization for DPP4i/GLP1RA users versus SGLT2i/SU users was -6.72% (95% CI -3.02 to -10.4) and the adjusted weighted RR was 0.79 (95% CI 0.70 to 0.89). For major CV events, the weighted RD was -1.91% (95% CI -4.00 to 0.18) and RR 0.73 (95% CI 0.54 to 1.00). CONCLUSIONS: DPP4i/GLP1RA use was not associated with reduced risk of COVID-19 infection compared with SGLT2i/SU use. DPP4i/GLP1RA use was associated with reduced risk of 30-day hospitalization among COVID-19 positive older adults and a possible trend towards a lower associated risk of CV events.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».