Prevalence of Comorbid Conditions and Prescription Medication Use Among Patients With Gout and Hyperuricemia in a Managed Care Setting
Notice bibliographique
Résumé
BACKGROUND: : Comorbid disorders and multiple prescription drug use are common among patients with gout and/or hyperuricemia and may influence the clinical course and outcome of gout. OBJECTIVE: : We wanted to document the conditions and associated medications in a large group of patients with gout in a managed care setting. METHODS: : This study was a 2-year, retrospective, administrative claims analysis examining comorbid conditions and medication use among managed care enrollees with gout/hyperuricemia across the United States. RESULTS: : Of the 9482 study subjects (82.1% men, mean age 52 years), 57.9% had hypertension, 45.3% had a lipid disorder, 32.5% had both conditions, and 19.9% had diabetes mellitus. During the 24-month follow-up period, subjects had 5 +/- 3.14 (mean +/- standard deviation) different comorbid conditions and filled prescriptions for of 11.0 +/- 7.90 different medications. The most commonly filled prescriptions included antihypertensive drugs, 3-hydroxy-3-methylglutaryl-coenzyme A (HMG-CoA) reductase inhibitors (statins), and nonsteroidal antiinflammatory drugs (NSAIDs). CONCLUSIONS: : The study indicates a high prevalence of both comorbid conditions and multiple medication use among managed care enrollees with gout and/or hyperuricemia. Heightened awareness of these associated disorders is important because they may warrant treatment of their own accord and often some modification of gout management. Drugs, particularly diuretics and prophylactic aspirin, could potentially contribute to the development of hyperuricemia and gout.
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 | 0,003 |
| 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 | 0,000 |
| 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 ».