Notice bibliographique
Résumé
Heart disease is a major cause of morbidity and mortality among patients with renal failure. Premature atherosclerotic coronary heart disease is driven by multiple risk factors, including dyslipidemia and oxidative stress. In the nondialysis population, there is overwhelming evidence that treatment of dyslipidemia can significantly improve cardiovascular outcomes. Accumulating data indicate that dialysis patients have atherogenic lipid abnormalities. Although LDL cholesterol (LDL-C) levels in patients who undergo hemodialysis are normal or near normal, increased oxidized LDL-C, triglycerides, and lipoprotein (a) [Lp(a)]; decreased HDL cholesterol (HDL-C); and triglyceride-rich VLDL have been noted. Patients who receive peritoneal dialysis have a more atherogenic lipid profile with increased LDL-C, apolipoprotein B, oxidized LDL-C, triglycerides, and Lp(a) and decreased HDL-C. Furthermore, the LDL particles of peritoneal dialysis patients are small and dense. However, there is a dearth of information regarding the goals, efficacy, and safety of dyslipidemia treatment among dialysis patients. Given the strong evidence of risk reduction and the benefits of lipid-lowering treatment in the nondialysis population, the emerging consensus is that dialysis patients should be treated aggressively for dyslipidemia to an LDL-C goal below 100 mg/dl. Although physicians and patients may be reluctant to add medications because of concerns about polypharmacy, potential decreased compliance, and increased cost, the use of agents such as sevelamer that can serve multiple functions, including phosphate control, lipid lowering (decreased LDL-C and total cholesterol), and anti-inflammatory effects (decreased high-sensitivity C-reactive protein), should be explored and considered for patients who would benefit from such treatment.
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) | 0,004 | 0,007 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».