Abstract Primary diabetes care and diabetic retinopathy (DR) screening persist as major public health challenges due to a shortage of trained primary care physicians (PCPs), particularly in low-resource settings. Here, to bridge the gaps, we developed an integrated image–language system (DeepDR-LLM), combining a large language model (LLM module) and image-based deep learning (DeepDR-Transformer), to provide individualized diabetes management recommendations to PCPs. In a retrospective evaluation, the LLM module demonstrated comparable performance to PCPs and endocrinology residents when tested in English and outperformed PCPs and had comparable performance to endocrinology residents in Chinese. For identifying referable DR, the average PCP’s accuracy was 81.0% unassisted and 92.3% assisted by DeepDR-Transformer. Furthermore, we performed a single-center real-world prospective study, deploying DeepDR-LLM. We compared diabetes management adherence of patients under the unassisted PCP arm ( n = 397) with those under the PCP+DeepDR-LLM arm ( n = 372). Patients with newly diagnosed diabetes in the PCP+DeepDR-LLM arm showed better self-management behaviors throughout follow-up ( P < 0.05). For patients with referral DR, those in the PCP+DeepDR-LLM arm were more likely to adhere to DR referrals ( P < 0.01). Additionally, DeepDR-LLM deployment improved the quality and empathy level of management recommendations. Given its multifaceted performance, DeepDR-LLM holds promise as a digital solution for enhancing primary diabetes care and DR screening.

Background Precision medicine has the potential to improve cardiovascular disease (CVD) risk prediction in individuals with type 2 diabetes (T2D). Methods We conducted a systematic review and meta-analysis of longitudinal studies to identify potentially novel prognostic factors that may improve CVD risk prediction in T2D. Out of 9380 studies identified, 416 studies met inclusion criteria. Outcomes were reported for 321 biomarker studies, 48 genetic marker studies, and 47 risk score/model studies. Results Out of all evaluated biomarkers, only 13 showed improvement in prediction performance. Results of pooled meta-analyses, non-pooled analyses, and assessments of improvement in prediction performance and risk of bias, yielded the highest predictive utility for N-terminal pro b-type natriuretic peptide (NT-proBNP) (high-evidence), troponin-T (TnT) (moderate-evidence), triglyceride-glucose (TyG) index (moderate-evidence), Genetic Risk Score for Coronary Heart Disease (GRS-CHD) (moderate-evidence); moderate predictive utility for coronary computed tomography angiography (low-evidence), single-photon emission computed tomography (low-evidence), pulse wave velocity (moderate-evidence); and low predictive utility for C-reactive protein (moderate-evidence), coronary artery calcium score (low-evidence), galectin-3 (low-evidence), troponin-I (low-evidence), carotid plaque (low-evidence), and growth differentiation factor-15 (low-evidence). Risk scores showed modest discrimination, with lower performance in populations different from the original development cohort. Conclusions Despite high interest in this topic, very few studies conducted rigorous analyses to demonstrate incremental predictive utility beyond established CVD risk factors for T2D. The most promising markers identified were NT-proBNP, TnT, TyG and GRS-CHD, with the highest strength of evidence for NT-proBNP. Further research is needed to determine their clinical utility in risk stratification and management of CVD in T2D.

Background and aims Medical nutrition therapy is important for diabetes management. This randomized controlled trial investigated the effects of a diabetes-specific formula (DSF) on glycemic control and cardiometabolic risk factors in adults with type 2 diabetes (T2D). Methods Participants ( n = 235) were randomized to either DSF with standard of care (SOC) (DSF group; n = 117) or SOC only (control group; n = 118). The DSF group consumed one or two DSF servings daily as meal replacement or partial meal replacement. The assessments were done at baseline, on day 45, and on day 90. Results There were significant reductions in glycated hemoglobin (−0.44% vs. –0.26%, p = 0.015, at day 45; −0.50% vs. −0.21%, p = 0.002, at day 90) and fasting blood glucose (−0.14 mmol/L vs. +0.32 mmol/L, p = 0.036, at day 90), as well as twofold greater weight loss (−1.30 kg vs. –0.61 kg, p &lt; 0.001, at day 45; −1.74 kg vs. –0.76 kg, p &lt; 0.001, at day 90) in the DSF group compared with the control group. The decrease in percent body fat and increase in percent fat-free mass at day 90 in the DSF group were almost twice that of the control group (1.44% vs. 0.79%, p = 0.047). In addition, the percent change in visceral adipose tissue at day 90 in the DSF group was several-fold lower than in the control group (−6.52% vs. –0.95%, p &lt; 0.001). The DSF group also showed smaller waist and hip circumferences, and lower diastolic blood pressure than the control group (all overall p ≤ 0.045). Conclusion DSF with SOC yielded significantly greater improvements than only SOC in glycemic control, body composition, and cardiometabolic risk factors in adults with T2D.

Adiposity can be measured using BMI (which is based on weight and height) as well as indices of abdominal adiposity. We examined the association between BMI and waist-to-height ratio (WHtR) within and across populations of different world regions and quantified how well these two metrics discriminate between people with and without hypertension.

The STEP-HFpEF DM trial

INTRODUCTIONMetabolically Healthy Obese (MHO) describes the subset of people with obesity (PwO) who do not exhibit overt cardiometabolic abnormalities, namely dysglycaemia, dyslipidemia or hypertension. While Malaysia has one of the highest obesity rates regionally, prevalence of MHO is unclear. This study aims to investigate the local prevalence of MHO among PwO and predisposing factors to Metabolically Unhealthy Obesity (MUO). METHODOLOGYSubjects were recruited at Universiti Malaya Medical Centre (UMMC) via convenience sampling. Healthcare workers in UMMC with no known chronic metabolic conditions were invited to participate and were included if their BMI was 23 kg/m2 and above. Data collected on demographics, anthropometric measurements, bioimpedance analysis (BIA), and a fasting blood sample for glucose and lipid metrics were collected. The subjects were classified as MHO if no metabolic abnormalities were detected, and otherwise as MUO. Statistical analysis was done using SPSS Version 25. RESULTTwo hundred ninety-seven subjects were recruited. Mean age was 36.26 ± 7.37 years, majority were female (71.00%) and Malay (90.20%). Overall, 172 (57.9%) were classified as MHO. Males were more likely to be MUO, Χ2 (1, N=297) =4.09, p = 0.05. The MUO subgroup, compared to MHO subgroup, had significantly higher weight [median=77.65 (IQR:19.15) kg versus 70.55 (14.91) kg; p<0.01], BMI [30.10 (6.00) kg/m2 versus 26.80 (4.67) kg/m2 , p <0.01], waist [94.40 (4.02) cm versus 90.50 (10.00) cm, p<0.01] and hip [105.40 (5.70) cm versus 101.90 (10.38) cm, p <0.01] circumferences, and waist-to-height ratio (WHtR) [0.59 (0.09) versus 0.56 (0.07), p<0.01] but not waist-to-hip ratio [0.89 (0.11) versus 0.86 (0.09), p >0.05]. On BIA, MUO subgroup had higher body fat percentage (BFP) [42.40 (11.32) % versus 39.90 (9.87) %, p <0.01] and Fat Mass Index (FMI) [12.75 (5.72) kg/m2 versus 10.65 (4.20) kg/m2 , p <0.01]. After adjusting for age, gender, WHtR, BMI and BFP, neck circumference remained a significant predictor for MUO status [Odds Ratio = 1.16 (95%CI 1.02-1.31), p = 0.01]. CONCLUSIONA large proportion of PwO have MUO. High neck circumference is an independent predictor of MUO status among PwO and should prompt early screening for metabolic disturbances.

INTRODUCTIONMetabolically Healthy Obese (MHO) describes the subset of people with obesity (PwO) who do not exhibit overt cardiometabolic abnormalities, namely dysglycaemia, dyslipidemia or hypertension. While Malaysia has one of the highest obesity rates regionally, prevalence of MHO is unclear. This study aims to investigate the local prevalence of MHO among PwO and predisposing factors to Metabolically Unhealthy Obesity (MUO). METHODOLOGYSubjects were recruited at Universiti Malaya Medical Centre (UMMC) via convenience sampling. Healthcare workers in UMMC with no known chronic metabolic conditions were invited to participate and were included if their BMI was 23 kg/m2 and above. Data collected on demographics, anthropometric measurements, bioimpedance analysis (BIA), and a fasting blood sample for glucose and lipid metrics were collected. The subjects were classified as MHO if no metabolic abnormalities were detected, and otherwise as MUO. Statistical analysis was done using SPSS Version 25. RESULTTwo hundred ninety-seven subjects were recruited. Mean age was 36.26 ± 7.37 years, majority were female (71.00%) and Malay (90.20%). Overall, 172 (57.9%) were classified as MHO. Males were more likely to be MUO, Χ2 (1, N=297) =4.09, p = 0.05. The MUO subgroup, compared to MHO subgroup, had significantly higher weight [median=77.65 (IQR:19.15) kg versus 70.55 (14.91) kg; p<0.01], BMI [30.10 (6.00) kg/m2 versus 26.80 (4.67) kg/m2 , p <0.01], waist [94.40 (4.02) cm versus 90.50 (10.00) cm, p<0.01] and hip [105.40 (5.70) cm versus 101.90 (10.38) cm, p <0.01] circumferences, and waist-to-height ratio (WHtR) [0.59 (0.09) versus 0.56 (0.07), p<0.01] but not waist-to-hip ratio [0.89 (0.11) versus 0.86 (0.09), p >0.05]. On BIA, MUO subgroup had higher body fat percentage (BFP) [42.40 (11.32) % versus 39.90 (9.87) %, p <0.01] and Fat Mass Index (FMI) [12.75 (5.72) kg/m2 versus 10.65 (4.20) kg/m2 , p <0.01]. After adjusting for age, gender, WHtR, BMI and BFP, neck circumference remained a significant predictor for MUO status [Odds Ratio = 1.16 (95%CI 1.02-1.31), p = 0.01]. CONCLUSIONA large proportion of PwO have MUO. High neck circumference is an independent predictor of MUO status among PwO and should prompt early screening for metabolic disturbances.

Abstract Objectives Most type 2 diabetes simulation models utilise equations mapping out lifetime trajectories of risk factors [e.g. glycated haemoglobin (HbA 1c )]. Existing equations, using historic data or assuming constant risk factors, frequently underestimate or overestimate complication rates. Updated risk factor time path equations are needed for simulation models to more accurately predict complication rates. Aims (1) Update United Kingdom Prospective Diabetes Study Outcomes Model (UKPDS-OM2) risk factor time path equations; (2) compare quality-adjusted life-years (QALYs) using original and updated equations; and (3) compare QALY gains for reference case simulations using different risk factor equations. Methods Using pooled contemporary data from two randomised trials EXSCEL and TECOS ( n = 28,608), we estimated: dynamic panel models of seven continuous risk factors (high-density lipoprotein cholesterol, low density lipoprotein cholesterol, HbA 1c , haemoglobin, heart rate, blood pressure and body mass index); two-step models of estimated glomerular filtration rate; and survival analyses of peripheral arterial disease, atrial fibrillation and albuminuria. UKPDS-OM2-derived lifetime QALYs were extrapolated over 70 years using historical and the new risk factor equations. Results All new risk factor equation predictions were within 95% confidence intervals of observed values, displaying good agreement between observed and estimated values. Historical risk factor time path equations predicted trial participants would accrue 9.84 QALYs, increasing to 10.98 QALYs using contemporary equations. Discussion Incorporating updated risk factor time path equations into diabetes simulation models could give more accurate predictions of long-term health, costs, QALYs and cost-effectiveness estimates, as well as a more precise understanding of the impact of diabetes on patients’ health, expenditure and quality of life. Trial Registration ClinicalTrials.gov NCT01144338 and NCT00790205