How to predict and treat increased fracture risk in chronic kidney disease
Notice bibliographique
Résumé
Men and women with chronic kidney disease (CKD) are at an increased risk of fracture, and this risk increases as kidney function deteriorates. Fractures are associated with morbidity, mortality and economic costs. Despite this, there is a paucity of data regarding how to evaluate risk for fractures in CKD and how to treat high-risk patients. Evidence suggests that bone mineral density (BMD) as assessed by dual-energy X-ray absorptiometry (DXA) is associated with fractures and can also predict future fractures in predialysis (stages 1-3) patients with CKD. In the absence of considerable abnormalities in markers of mineral metabolism, treatment with antiresorptive agents in men and women with early CKD at high fracture risk may be appropriate. Of note, recent data suggest that low BMD as measured by DXA can also predict fractures in patients with more advanced CKD (stages 4, 5 and 5D). However, treatment in patients with advanced CKD requires bone biopsy, the gold standard to assess bone turnover, prior to treatment. Further research, focusing on noninvasive methods to assess fracture risk and bone turnover, together with randomized controlled trials of treatments to reduce fractures in patients at all stages of CKD, is required.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 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 ».