MétaCan
Menu
Retour à la cohorte
Enregistrement W4415425251 · doi:10.1093/ndt/gfaf116.0918

#1608 Glucagon-like peptide-1 receptor agonists and the risk of emergency department visits and hospitalization in patients across the spectrum of kidney disease

2025· article· en· W4415425251 sur OpenAlexaffabout
Kevin Yau, David Z.I. Cherney, Ron Wald

Notice bibliographique

RevueNephrology Dialysis Transplantation · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Treatment and Management
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésEmergency departmentPropensity score matchingKidney diseaseHazard ratioCohortRetrospective cohort studyProportional hazards modelMedical prescription

Résumé

récupéré en direct d'OpenAlex

Abstract Background and Aims Glucagon-like-peptide-1 receptor agonists (GLP1RA) have emerged as a therapy that promotes weight loss and confers cardiorenal protection. While recent trials have suggested benefit on heart failure hospitalizations; their effects on all-cause emergency department (ED) visits and hospitalizations have not been well characterized. In this population-based study we examined the effect of initiating a GLP1RA versus a dipeptidyl peptidase 4 inhibitor (DPP4i) on ED visits and all-cause hospitalization in patients across the spectrum of chronic kidney disease (CKD). Method This retrospective cohort study was conducted in Ontario, Canada, using administrative databases housed at ICES. We included a cohort of patients aged ≥18 years with eGFR <90 ml/min/1.73 m2 who received a first prescription of a GLP1RA or DPP4i through the Ontario Drug Benefit between September 30, 2019 to December 31, 2021. Follow-up extended until June 30, 2022. We used inverse probability of treatment weighting (IPTW) based on a propensity score conditioned on 72 covariates to address confounding. We evaluated the effect of GLP1RA initiation on all cause ED visits and hospitalization using time-to-recurrent-event approaches with the Prentice-Williams-Peterson (PWP) gap time model which assumes an event-specific hazard for each ED encounter or hospitalization. In an additional analysis, we evaluated recurrent ED visits and/or hospitalizations using the Andersen-Gill extension of the Cox proportional hazards model and robust sandwich estimators to obtain the 95% confidence intervals. Results The study cohort included 24,576 patients who were new users of a GLP1RA, and 23,600 who were new users of a DPP-4i eGFR <90 ml/min/1.73 m2. Baseline characteristics were balanced between groups (mean age of 69 years, 50% female, 92% with type 2 diabetes mellitus, 3.5% had heart failure, and 41% had CKD stages 3–5). Semaglutide represented 98.4% of GLP1RA prescriptions. Across the cohort, 9.6% had more than one hospitalization while 25.8% had more than one emergency department encounter. Using the PWP gap time model, new use of GLP1RA was associated with a lower risk of all-cause ED encounters or hospitalizations: HR 0.90 (95% CI, 0.87 to 0.94; P < 0.0001). This finding was consistent when we used the calendar time model (HR 0.90; 95% CI, 0.87 to 0.94) or the Andersen-Gill extension of the Cox proportional hazards model (HR 0.87; 95% CI, 0.82 to 0.92) (Table 1). Conclusion In this large population-based study, GLP1RA initiation was associated with a reduction in all-cause ED visits and/or hospitalizations when compared to DPP-4 inhibitor initiation. This finding has potentially substantial implications on health care delivery and resource utilization.

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)0,001
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 enseignants0,395
Score d'incertitude au seuil0,785

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,004
Tête enseignante GPT0,236
Écart entre enseignants0,232 · 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

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNephrology Dialysis TransplantationMême sujetDiabetes Treatment and ManagementTravaux en français237 207