Randomized trials demonstrated a lower risk of cardiovascular (CV) events with sodium-glucose cotransporter-2 inhibitors (SGLT-2i) in patients with type 2 diabetes (T2D) at high CV risk. Prior real-world data suggested similar SGLT-2i effects in T2D patients with a broader risk profile, but these studies focused on heart failure and death and were limited to the United States and Europe. The purpose of this study was to examine a broad range of CV outcomes in patients initiated on SGLT-2i versus other glucose-lowering drugs (oGLDs) across 6 countries in the Asia Pacific, the Middle East, and North American regions. New users of SGLT-2i and oGLDs were identified via claims, medical records, and national registries in South Korea, Japan, Singapore, Israel, Australia, and Canada. Propensity scores for SGLT-2i initiation were developed in each country, with 1:1 matching. Hazard ratios (HRs) for death, hospitalization for heart failure (HHF), death or HHF, MI, and stroke were assessed by country and pooled using weighted meta-analysis. After propensity-matching, there were 235,064 episodes of treatment initiation in each group; ∼27% had established CV disease. Patient characteristics were well-balanced between groups. Dapagliflozin, empagliflozin, ipragliflozin, canagliflozin, tofogliflozin, and luseogliflozin accounted for 75%, 9%, 8%, 4%, 3%, and 1% of exposure time in the SGLT-2i group, respectively. Use of SGLT-2i versus oGLDs was associated with a lower risk of death (HR: 0.51; 95% confidence interval [CI]: 0.37 to 0.70; p < 0.001), HHF (HR: 0.64; 95% CI: 0.50 to 0.82; p = 0.001), death or HHF (HR: 0.60; 95% CI: 0.47 to 0.76; p < 0.001), MI (HR: 0.81; 95% CI: 0.74 to 0.88; p < 0.001), and stroke (HR: 0.68; 95% CI: 0.55 to 0.84; p < 0.001). Results were directionally consistent across both countries and patient subgroups, including those with and without CV disease. In this large, international study of patients with T2D from the Asia Pacific, the Middle East, and North America, initiation of SGLT-2i was associated with a lower risk of CV events across a broad range of outcomes and patient characteristics. (Comparative Effectiveness of Cardiovascular Outcomes in New Users of SGLT-2 Inhibitors [CVD-REAL]; NCT02993614)

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.

Abstract We have developed a digital twin-based CKD identification and prediction model that leverages generalized metabolic fluxes (GMF) for patients with Type 2 Diabetes Mellitus (T2DM). GMF digital twins utilized basic clinical and physiological biomarkers as inputs for identification and prediction of CKD. We employed four diverse multi-ethnic cohorts ( n = 7072): a Singaporean cohort (EVAS, n = 289) and a North American cohort (NHANES, n = 1044) for baseline CKD identification, and two multi-center Singaporean cohorts (CDMD, n = 2119 and SDR, n = 3627) for 3-year CKD prediction and risk stratification. We subsequently conducted a comprehensive study utilizing a single dataset to evaluate the clinical utility of GMF for CKD prediction. The GMF-based identification model performed strongly, achieving an AUC between 0.80 and 0.82. In prediction, the GMF generated with complete parameters attained high performance with an AUC of 0.86, while with incomplete parameters, it achieved an AUC of 0.75. The GMF-based prediction model utilizing complete inputs is the standard implementation of our algorithm: HealthVector Diabetes®. We have established the GMF digital twin-based model as a robust clinical tool capable of predicting and stratifying the risk of future CKD within a 3-year time horizon. We report the correlation of GMF with basic input parameters, their ability to differentiate between future health states and medication status at baseline, and their capability to quantify CKD progression rates. This holistic methodology provides insights into patients’ health states and CKD progression rates based on GMF metabolic profile differences, enabling personalized care plans.

Background & Aims Diabetes Mellitus is the most common cause of end-stage kidney disease (ESKD) in Singapore. ESKD patients have high disease burden and are at increased risk of recurrent hospitalizations, including fluid overload. This study aimed to characterize the risk factors associated with readmissions for fluid overload that will identify high-risk hospitalizations for interventions to reduce readmissions. Methods Retrospective cohort study of all hospitalizations for fluid overload in adults with diabetes and ESKD on dialysis in SingHealth hospitals between 2018 and 2021. Fluid overload was defined by discharge codes for fluid overload, heart failure, pulmonary edema, and generalized edema until 30th December 2022. Multivariable Cox regression analysis using the Prentice, Williams and Peterson Total Time (PWP-TT) model was performed for the outcomes of readmissions for fluid overload within 30 days and 90 days of discharge. Results Among 3234 hospitalizations for fluid overload, readmission for fluid overload within 30-day and 90-day occurred in 585 (18.1%) and 967 (29.9%) hospitalizations, respectively. Ischemic heart disease, peripheral vascular disease and lower hemoglobin level were independently associated with readmissions for fluid overload within 30 and 90 days. Additionally, heart failure, hemodialysis (compared to peritoneal dialysis) and lack of statin at discharge were associated with increased 90-day readmission risk. Conclusion Modifiable (hemoglobin level, statin use) and non-modifiable factors (ischemic heart disease, peripheral vascular disease and heart failure) influenced the risk of readmission for fluid overload. These results may guide risk stratification and inform targeted interventions to reduce avoidable, unplanned readmissions for recurrent fluid overload among individuals with diabetes and ESKD.

Abstract Aim Digital health interventions and economic incentives have shown promise in facilitating diabetes self‐management, though evidence is limited. Therefore, this study aimed to evaluate the effectiveness and cost‐effectiveness of a comprehensive app‐based diabetes self‐management programme with rewards for healthy behaviours and health outcomes. Materials and Methods The TRIal to slow the Progression Of Diabetes (TRIPOD) study was an open‐label, parallel‐group, randomised controlled trial conducted at Duke‐NUS Medical School, Singapore. Adults with Type 2 Diabetes (diabetes), HbA 1c of 7.5%‐11.0% (inclusive) and taking at least one oral diabetes medication were eligible. In total, 269 participants were randomised across three arms [Usual care (UC): 117, diabetes management programme (DMP) (intervention without rewards): 36, DMP+ (intervention with rewards): 116]. Data were analysed using intention‐to‐treat analysis with change in HbA 1c at month 12 between DMP+ and UC as the primary outcome. Cost‐effectiveness of DMP+ relative to UC was also calculated. Results Mean HbA 1c improved by 0.1% in UC and by 0.5% in DMP+ at 12 months, revealing a mean difference of 0.4% (95% confidence interval (CI): −0.70, −0.08, p = 0.015). The odds ratio of HbA 1c improvements of >0.5% was 2.12 (95% CI: 1.17, 3.85, p = 0.013) for DMP+ relative to UC. The incremental cost‐effectiveness ratio of DMP+ relative to UC was SGD8,516 (USD6,531) per quality‐adjusted life year gained if effectiveness could be maintained with a single year of intervention. Conclusions A comprehensive app‐based diabetes self‐management programme with rewards for healthy behaviours and health outcomes (DMP+) cost‐effectively improved glycaemic control in Type 2 diabetes patients. Organizations focusing on value‐based healthcare should consider subsidising similar interventions.