Objectives UK Biobank is a UK-wide cohort of 502,655 people aged 40–69, recruited from National Health Service registrants between 2006–10, with healthcare data linkage. Type 2 diabetes is a key exposure and outcome. We developed algorithms to define prevalent and incident diabetes for UK Biobank. The algorithms will be implemented by UK Biobank and their results made available to researchers on request. Methods We used UK Biobank self-reported medical history and medication to assign prevalent diabetes and type, and tested this against linked primary and secondary care data in Welsh UK Biobank participants. Additionally, we derived and tested algorithms for incident diabetes using linked primary and secondary care data in the English Clinical Practice Research Datalink, and ran these on secondary care data in UK Biobank. Results and Significance For prevalent diabetes, 0.001% and 0.002% of people classified as “diabetes unlikely” in UK Biobank had evidence of diabetes in their primary or secondary care record respectively. Of those classified as “probable” type 2 diabetes, 75% and 96% had specific type 2 diabetes codes in their primary and secondary care records. For incidence, 95% of people with the type 2 diabetes-specific C10F Read code in primary care had corroborative evidence of diabetes from medications, blood testing or diabetes specific process of care codes. Only 41% of people identified with type 2 diabetes in primary care had secondary care evidence of type 2 diabetes. In contrast, of incident cases using ICD-10 type 2 diabetes specific codes in secondary care, 77% had corroborative evidence of diabetes in primary care. We suggest our definition of prevalent diabetes from UK Biobank baseline data has external validity, and recommend that specific primary care Read codes should be used for incident diabetes to ensure precision. Secondary care data should be used for incident diabetes with caution, as around half of all cases are missed, and a quarter have no corroborative evidence of diabetes in primary care.

Some studies have shown that the incidence of type 2 diabetes increases after a diagnosis of COVID-19, although the evidence is not conclusive. However, the effects of the COVID-19 vaccine on this association, or the effect on other diabetes subtypes, are not clear. We aimed to investigate the association between COVID-19 and incidence of type 2, type 1, gestational and non-specific diabetes, and the effect of COVID- 19 vaccination, up to 52 weeks after diagnosis.

Obesity and rapid weight gain are established risk factors for noncommunicable diseases and have emerged as independent risk factors for severe disease following Coronavirus Disease 2019 (COVID-19) infection. Restrictions imposed to reduce COVID-19 transmission resulted in profound societal changes that impacted many health behaviours, including physical activity and nutrition, associated with rate of weight gain. We investigated which clinical and sociodemographic characteristics were associated with rapid weight gain and the greatest acceleration in rate of weight gain during the pandemic among adults registered with an English National Health Service (NHS) general practitioner (GP) during the COVID-19 pandemic.

Introduction & BackgroundEpochs of hyperglycaemia and hypoglycaemia may each increase risk of common chronic diseases and impair both cognitive and physical function even in people without diabetes. Older people may have greater frequency of adverse glycaemic excursions, partly due to disordered autonomic function and sleep quality. Data for older, non-diabetic people are however scant. Objectives & Approach1) To describe blood glucose variability (completed) and 2) its socio-demographic and lifestyle correlates in a predominantly non-diabetic cohort of older adults (planned). Participants were recruited during 2021-2023 from an English birth cohort (the 1946 National Survey for Health and Development Study). They wore a continuous glucose monitor (Freestyle libre Abbott), which measured circulating glucose four times/hour, for seven days. Summary statistics and time outside range (4.4-7.8mmol/L) were calculated. Further information on glycaemic excursions and day-to-day variability will be gleaned using the R “iglu” package. For all CGM summary and excursion measures, future analyses will investigate: associations with HbA1c, socio-demographics, body composition, physical activity, diet and alcohol use. Results will be stratified by sleep/ wake time periods estimated from simultaneous actigraphy (Philips Actiwatch Spectrum Plus). Sensitivity analyses will exclude people taking hypo/ hyperglycaemic medications and those with diabetes. Relevance to Digital FootprintsDerived summary measures can be used by future studies to give insights into glycaemic variability as a population-level risk factor. This work will bring together multiple data sources, i.e. from CGM, actigraphy and baseline cohort data. ResultsParticipants were aged 75-76 years, 45% female and 10% had diagnosed diabetes; median (IQR) BMI was 26.8 (24.6-29.2) kg/m2. CGM data from 308 participants was collected, for a median (IQR) of 6.9 (6.7-7.6) days. Average glucose over the recording period was 5.7mmol/L (5.3-6.2mmol/L), standard deviation was 1.0mmol/L (0.8-1.3mmol/L), time outside range was 12.8% (6.2-24.7%) and 16% of participants spent ≥1 hour/day above and ≥1 hour/day below range. Conclusions & ImplicationsCGM was feasible for this cohort of older adults, and demonstrated high levels of time outside range for a predominantly non-diabetic group. Future analysis will determine whether enhanced characterisation of glycaemic variability is a potentially more accurate tool for predicting future disease risk than isolated glucose measurements.

Identification of coding variant associations for complex diseases offers a direct route to biological insight, but is dependent on appropriate inference concerning the causal impact of those variants on disease risk. We aggregated coding variant data for 81,412 type 2 diabetes (T2D) cases and 370,832 controls of diverse ancestry, identifying 40 distinct coding variant association signals (at 38 loci) reaching significance (p<2.2x10-7). Of these, 16 represent novel associations mapping outside known genome-wide association study (GWAS) signals. We make two important observations. First, despite a threefold increase in sample size over previous efforts, only five of the 40 signals are driven by variants with minor allele frequency <5%, and we find no evidence for low-frequency variants with allelic odds ratio >1.29. Second, we used GWAS data from 50,160 T2D cases and 465,272 controls of European ancestry to fine-map these associated coding variants in their regional context, with and without additional weighting to account for the global enrichment of complex trait association signals in coding exons. At the 37 signals for which we attempted fine-mapping, we demonstrate convincing support (posterior probability >80% under the 'annotation-weighted' model) that coding variants are causal for the association at 16 (including novel signals involving POC5 p.His36Arg, ANKH p.Arg187Gln, WSCD2 p.Thr113Ile, PLCB3 p.Ser778Leu, and PNPLA3 p.Ile148Met). However, at 13 of the 37 loci, the associated coding variants represent 'false leads' and naïve analysis could have led to an erroneous inference regarding the effector transcript mediating the signal. Accurate identification of validated targets is dependent on correct specification of the contribution of coding and non-coding mediated mechanisms at associated loci.