Epidemiology of the diabetes-cardio-renal spectrum: a cross-sectional report of 1.4 million adults
Notice bibliographique
Résumé
Abstract Background Type-2 diabetes (T2D), chronic kidney disease, and heart failure (HF) share epidemiological and pathophysiological features. Although their prevalence was described, there is limited contemporary, high-resolution, epidemiological data regarding the overlap among them. We aimed to describe the epidemiological intersections between T2D, HF, and kidney dysfunction in an entire database, overall and by age and sex. Methods This is a cross-sectional analysis of adults ≥ 25 years, registered in 2019 at Maccabi Healthcare Services, a large healthcare maintenance organization in Israel. Collected data included sex, age, presence of T2D or HF, and last estimated glomerular filtration rate (eGFR) in the past two years. Subjects with T2D, HF, or eGFR < 60 mL/min/1.73 m2 were defined as within the diabetes-cardio-renal (DCR) spectrum. Results Overall, 1,389,604 subjects (52.2% females) were included; 445,477 (32.1%) were 25– < 40 years, 468,273 (33.7%) were 40– < 55 years, and 475,854 (34.2%) were ≥ 55 years old. eGFR measurements were available in 74.7% of the participants and in over 97% of those with T2D or HF. eGFR availability increased in older age groups. There were 140,636 (10.1%) patients with T2D, 54,187 (3.9%) with eGFR < 60 mL/min/1.73m2, and 11,605 (0.84%) with HF. Overall, 12.6% had at least one condition within the DCR spectrum, 2.0% had at least two, and 0.23% had all three. Cardiorenal syndrome (both HF and eGFR < 60 mL/min/1.73m2) was prevalent in 0.40% of the entire population and in 2.3% of those with T2D. In patients with both HF and T2D, 55.2% had eGFR < 60 mL/min/1.73m2 and 15.8% had eGFR < 30 mL/min/1.73m2. Amongst those within the DCR spectrum, T2D was prominent in younger participants, but was gradually replaced by HF and eGFR < 60 mL/min/1.73m2 with increasing age. The congruence between all three conditions increased with age. Conclusions This large, broad-based study provides a contemporary, high-resolution prevalence of the DCR spectrum and its components. The results highlight differences in dominance and degree of congruence between T2D, HF, and kidney dysfunction across ages.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,767 | 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 tête enseignante, 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 ».