Impact of obesity and hypertriglyceridemia on gout development with or without hyperuricemia: A prospective study
Notice bibliographique
Résumé
OBJECTIVE: Hyperuricemia is the most important risk factor for the development of gout; however, not all patients with hyperuricemia develop gout, and patients experiencing a gout attack are not necessarily found to have hyperuricemia. We hypothesized that the interactions between serum uric acid (sUA) and other potential metabolic comorbidities increase the risk of gout development. METHODS: A prospective study was conducted to link baseline metabolic profiles from the MJ Health Screening Center to gout outcomes extracted from the Taiwan National Health Insurance database. A Cox proportional hazards model was used to assess the metabolic risks for incident gout stratified by hyperuricemia status (sUA level >7 mg/dl or not). RESULTS: During a mean followup period of 6.45 years (261,500 person-years), 1,189 patients with clinical gout (899 men, 202 women ages >50 years, and 88 women ages ≤50 years) were identified among the 40,513 examinees. The multivariate adjusted hazard ratios (HRs) of hyperuricemia for gouty arthritis were 5.80 (95% confidence interval [95% CI] 4.93-6.81) in men and 4.37 (95% CI 3.38-5.66) in women. Hypertriglyceridemia (triglyceride level >150 mg/dl) was found as an independent risk factor, with HRs of 1.38 (95% CI 1.18-1.60) in men with hyperuricemia and 1.40 (95% CI 1.02-1.92) in men without hyperuricemia. General obesity (body mass index >27 kg/m(2) ) was independently associated with gout in older women, with HRs of 1.72 (95% CI 1.15-2.56) in women with hyperuricemia and 2.19 (95% CI 1.47-3.26) in women without hyperuricemia. CONCLUSION: General obesity in women and hypertriglyceridemia in men may potentiate an sUA effect for gout development. Further investigation is needed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».