Serum Urate and Incidence of Kidney Disease Among Veterans with Gout
Notice bibliographique
Résumé
OBJECTIVE: To study the association between serum urate level (sUA) and the risk of incident kidney disease among US veterans with gouty arthritis. METHODS: From 2002 through 2011 adult male patients with gout who were free of kidney disease were identified in the data from the Veterans Administration VISN 16 database and were followed until incidence of kidney disease, death, or the last available observation. Accumulated hazard curves for time to kidney disease were estimated for patients with average sUA levels > 7 mg/dl (high) versus ≤ 7 mg/dl (low) based on Kaplan-Meier analyses; and statistical comparison was conducted using a log-rank test. A Cox proportional hazard model with time-varying covariates was used to estimate the unadjusted and adjusted hazard ratios for kidney disease. RESULTS: Eligible patients (n = 2116) were mostly white (53%), with average age 62.6 years, mean body mass index 31.2 kg/m(2), and high baseline prevalence of hypertension (93%), hyperlipidemia (67%), and diabetes (20%). Mean followup time was 6.5 years. The estimated rates of all incident kidney disease in the overall low versus high sUA groups were 2% versus 4% at Year 1, 3% versus 6% at Year 2, and 5% versus 9% at Year 3, respectively (p < 0.0001). After adjustment, high sUA continued to predict a significantly higher risk of kidney disease development (HR 1.43, 95% CI 1.20-1.70). CONCLUSION: Male veterans with gout and sUA levels > 7 mg/dl had an increased incidence of kidney disease.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».