Treatment Target and Followup Measures for Patients with Gout: A Systematic Literature Review
Notice bibliographique
Résumé
OBJECTIVE: To systematically review the validity of serum uric acid (SUA) as a treatment target for patients with gout, and the clinimetric properties of the potential tools for monitoring these patients. METHODS: A search was performed in Medline, Embase and the Cochrane Library from inception to October 2011, and the 2010-2011 American College of Rheumatology and European League Against Rheumatism meeting abstracts. Studies evaluating different SUA levels or SUA reduction with the achievement of outcomes, and studies assessing clinimetric properties of instruments used to follow patients with gout were selected. Intervention studies were also included in order to estimate responsiveness. Titles and abstracts of the identified references were screened, and included articles were reviewed in detail and data collected using ad hoc standard forms. RESULTS: In total, 4575 articles were retrieved, 120 articles reviewed in detail, and 54 articles were included in the systematic literature review. SUA reduction was significantly associated with a reduction in acute attacks (6 studies), tophi regression (2 studies), and crystal clearance (3 studies). SUA 6.0 mg/dl was used as cutoff point in most of studies, but this level was found to be arbitrary. For followup of patients with gout, tophus measurement by caliper and ultrasound, the physical component of the Medical Outcomes Study Short Form-36 Survey, and Health Assessment Questionnaire have shown excellent clinimetric properties for this purpose. CONCLUSION: Reducing SUA is a valid treatment target for patients with gout, but the target level of reduction (cutoff point) is not clear. Some tools were found suitable for following patients with 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| 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 | 0,000 |
| 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 ».