Frequency, Risk, and Cost of Gout-related Episodes Among the Elderly: Does Serum Uric Acid Level Matter?
Notice bibliographique
Résumé
OBJECTIVE: We examined the association between serum uric acid (SUA) level and the frequency, risk, and cost of gout flares among the elderly. METHODS: Data were extracted from the Integrated Healthcare Information Services claims database (1999-2005). Patients were included if they had gout, were aged 65 years and older and had both medical and pharmacy benefits, and electronic laboratory data. Patients with gout and gouty episodes were identified using algorithms based on ICD-9-CM codes and medications. Logistic regression and negative binomial regressions were used to study the relationship between SUA concentration and the annual frequency and one-year risk of gout episodes. Generalized linear models were used to examine the direct healthcare costs associated with gout episodes in the 30 days following each episode. RESULTS: Elderly patients with gout (n = 2237) with high (6-8.99 mg/dl) and very high (> 9 mg/dl) SUA concentrations were more likely to develop a flare within 12 months compared to patients with normal (< 6 mg/dl) SUA levels (OR 2.1, 95% CI 1.7-2.6; OR 3.4, 95% CI 2.6-4.4, respectively). In multivariate regressions, the average annual number of flares increased by 11.9% (p < 0.001) with each unit-increase in SUA level above 6 mg/dl (p < 0.001). Among patients with very high SUA levels, average adjusted total healthcare and gout-related costs per episode were $2,555 and $356 higher, respectively, than those of patients with normal SUA levels (both p < 0.001). CONCLUSION: Higher SUA levels are associated with increased frequency and risk of gout episode, and with higher total and gout-related direct healthcare costs per episode.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».