Influence of a Cardiac Rehabilitation Program on Renal Function in Patients With Cardiovascular Disease in a One-Year Follow-Up
Notice bibliographique
Résumé
Background: Exercise training may improve renal function in patients with chronic kidney disease (CKD). The effect of cardiac rehabilitation (CR) with exercise training on renal function has not yet been established. We evaluated the effects of CR on renal function in patients with cardiovascular disease (CVD). Methods: Twenty-three CVD patients in a 1-year CR program (CR group) who had ischemic heart disease (IHD) and/or heart failure were compared with 26 age- and gender-matched CVD patients without CR (non-CR group, standard pharmacological care alone). At baseline and after 1 year, urea nitrogen (UN), creatinine (Cr), potassium (K), estimated glomerular filtration rate (eGFR) and hematocrit (Hct) in blood were assessed. Results: There were no differences in the patient characteristics at baseline between the CR and non-CR groups except for the percentages of heart failure and the use of calcium channel blocker. After 1 year, there were no significant changes in UN, Cr, K, eGFR or Hct in either the CR or non-CR groups. The patients in the CR group were divided into two groups according to the eGFR level at baseline: low (n = 12, eGFR < 51 mL/minute/1.73 m 2 , indicating mild-to-moderate CKD) and high (n = 11, eGFR >=51 mL/minute/1.73 m 2 ) eGFR groups. Although there were no differences in the patient characteristics at baseline between the low and high eGFR groups, the low eGFR group showed a significant increase in eGFR after the 1-year CR program. Conclusions: CR may improve renal function in patients with mild-to-moderate CKD. Cardiol Res. 2015;6(4-5):311-315 doi: http://dx.doi.org/10.14740/cr440e
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».