Comparing CKD populations with T1D and T2D: a perspective based on the FINE-ONE and FIDELITY populations
Notice bibliographique
Résumé
Chronic kidney disease (CKD) is a common comorbidity of both type 1 diabetes (T1D) and type 2 diabetes (T2D) and is associated with increased mortality, end-stage kidney disease and cardiovascular disease risk. Despite standard-of-care treatment with renin-angiotensin system inhibitors added to blood pressure and glycaemic control, people with CKD and T1D have a residual risk of CKD progression. Advances in therapeutic management have been limited over the past 3 decades, especially compared with CKD in T2D, for which new treatment options have emerged in the last 5 years. In this review article we discuss the similarities and differences between T1D and T2D populations with CKD, including epidemiology, pathophysiology and clinical findings. Additionally, we explore the use of albuminuria as a potential bridging biomarker to extrapolate clinical evidence from one population to the other. This concept could offer a promising strategy to narrow the gap in treatment availability between these populations and address the unmet therapeutic need in people with CKD and T1D. The FINE-ONE trial is investigating the non-steroidal mineralocorticoid receptor antagonist finerenone in a population with CKD and T1D using the change in urine albumin:creatinine ratio from baseline over 6 months as its primary endpoint and bridging biomarker. Similarities between the populations from FINE-ONE trial and FIDELITY (a pooled dataset of individuals with CKD and T2D included in two large phase 3 clinical trials of finerenone) may inform the translation of clinical evidence on finerenone from people with CKD and T2D to those with CKD and 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 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 | 0,028 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».