MétaCan
Menu
Retour à la cohorte
Enregistrement W4416013115 · doi:10.1001/jama.2025.20835

Effects of Sodium Glucose Cotransporter 2 Inhibitors by Diabetes Status and Level of Albuminuria

2025· article· en· W4416013115 sur OpenAlexaff
Natalie Staplin, Alistair Roddick, Brendon L. Neuen, Stefan D. Anker, Deepak L. Bhatt, Javed Butler, David Z.I. Cherney, Kieran F. Docherty, Robert A. Fletcher, Silvio E. Inzucchi, Meg Jardine, Kenneth W. Mahaffey, Darren K. McGuire, John J.V. McMurray, Bruce Neal, Milton Packer, Siddharth M. Patel, Vlado Perkovic, Marc S. Sabatine, Scott Solomon, Muthiah Vaduganathan, Christoph Wanner, David C. Wheeler, Faı̈ez Zannad, Richard Haynes, Hiddo J.L. Heerspink, William G. Herrington, Hiddo JL Heerspink, Stefan D. Anker, Adrian F. Hernandez, Stefan James, Vlado Perkovic, Scott D. Solomon, David C. Wheeler

Notice bibliographique

RevueJAMA · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Treatment and Management
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésAlbuminuriaDiabetes mellitusEmpagliflozinCotransporterSodiumGlipizide

Résumé

récupéré en direct d'OpenAlex

Importance: There is uncertainty about the effects of sodium-glucose cotransporter 2 (SGLT2) inhibitors in participants with chronic kidney disease, with guidelines offering different strengths of recommendation based on diabetes status and urine albumin to creatinine ratio (UACR). Objective: To assess the relative and absolute effects of SGLT2 inhibitor use across efficacy and serious safety outcomes in participants stratified by diabetes status and UACR (≥200 mg/g or <200 mg/g). Data Sources and Study Selection: Included 8 randomized clinical trials that studied an SGLT2 inhibitor with a label indication for use in kidney disease and recorded longitudinal kidney outcomes and baseline data on albuminuria. Data Extraction and Synthesis: Data were combined using inverse variance-weighted meta-analysis; group-specific absolute effects were estimated by applying relevant relative risks to the event rates of the placebo groups. Main Outcomes and Measures: Assessed the effects of SGLT2 inhibitor use on clinical efficacy and safety outcomes. Heterogeneity by baseline level of UACR was assessed separately by diabetes status. Results: A total of 58 816 participants (mean age, 64 [SD, 10] years; 35% were female; 48 946 with diabetes and 9870 without diabetes) were included from trials comparing an SGLT2 inhibitor vs placebo. Allocation to an SGLT2 inhibitor produced a lower rate of kidney disease progression (33 vs 48 for placebo per 1000 patient-years; hazard ratio [HR], 0.65 [95% CI, 0.60-0.70] in those with diabetes and 32 vs 46 per 1000; HR, 0.74 [95% CI, 0.63-0.85] in those without diabetes), a lower rate of acute kidney injury (14 vs 18 per 1000 [HR, 0.77; 95% CI, 0.69-0.87] with diabetes and 13 vs 18 per 1000 [HR, 0.72; 95% CI, 0.56-0.92] without diabetes), a lower rate of any hospitalization (202 vs 231 per 1000 [HR, 0.90; 95% CI, 0.87-0.92] with diabetes and 203 vs 237 per 1000 [HR, 0.89; 95% CI, 0.83-0.95] without diabetes), and a lower rate of any death (42 vs 47 per 1000 [HR, 0.86; 95% CI, 0.80-0.91] with diabetes and 42 vs 48 per 1000 [HR, 0.91; 95% CI, 0.78-1.05] without diabetes). Diabetes-specific HRs were similar in participants (with a UACR ≥200 mg/g vs with a UACR <200 mg/g) considered separately. Higher absolute risk at a UACR of 200 mg/g or greater meant larger estimated absolute benefits on kidney disease progression were evident in this subgroup. Clear absolute benefits were evident for other efficacy outcomes, and particularly hospitalization, in participants with a UACR less than 200 mg/g. Net absolute benefits remained in the analyses of non-heart failure populations and when estimated glomerular filtration rate was less than 60 mL/min/1.73 m2. Conclusions and Relevance: Within the studied participants, there were clear absolute benefits of SGLT2 inhibitors on kidney, hospitalization, and mortality outcomes irrespective of diabetes status and level of UACR.

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)0,056
score de la tête « metaresearch » (Gemma)0,131
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,056
Score d'incertitude au seuil0,296

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0560,131
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0090,029
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,001
Communication savante0,0030,002
Science ouverte0,0020,001
Intégrité de la recherche0,0030,003
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 Opus0,008
Tête enseignante GPT0,233
Écart entre enseignants0,225 · 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

Citations12
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAMAMême sujetDiabetes Treatment and ManagementTravaux en français237 207