Real-World Use of SGLT2 Inhibitors for Patients with IgAN and Glomerulonephritis, 2021-2023
Notice bibliographique
Résumé
Background: The increasing use of SGLT2 inhibitors (SGLT2i) among patients (pts) with kidney diseases may affect clinical trial design and interpretability for glomerulonephritis (GN) conditions such as IgA nephropathy (IgAN). Methods: This retrospective cohort study characterized SGLT2i use in adult pts with GN, including IgAN, using US-based insurance claims (IQVIA Pharmetrics Plus). Pts were included who: were diagnosed with GN via ICD codes from October 1, 2015, to June 30, 2023, had a kidney biopsy on or prior to diagnosis, and did not use SGLT2i before 2021. SGLT2i use was separately assessed between 2021 and 2023 for GN pts diagnosed before and after 2021. Results: The study included 2703 GN pts (338 IgAN) diagnosed pre-2021 and 2923 pts (354 IgAN) diagnosed post-2021. SGLT2i use was 11.2% in GN and 14.5% in IgAN pts diagnosed pre-2021, and 18.4% in GN and 26% in IgAN pts diagnosed post-2021. SGLT2i use increased from 2021 to 2023 (Fig. 1). Median time to SGLT2i initiation was 4 months in GN and 3 months in IgAN pts diagnosed post-2021. Factors associated with SGLT2i use among GN pts were: male, commercial insurance, and co-existing hypertension and/or diabetes (DM). SGLT2i use was more common among IgAN pts with DM (Fig. 2). Conclusion: SGLT2i use increased, but remained relatively low in pts with GN and IgAN between 2021 and 2023. Current GN/IgAN clinical trials may better reflect real-world use of SGLT2i, which should be considered in trial interpretation and comparison.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».