Laboratory Tests to Determine the Cause of Hypokalemia and Paralysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Hypokalemia and paralysis may be due to a short-term shift of potassium into cells in hypokalemic periodic paralysis (HPP) or due to a large deficit of potassium in non-HPP. Failure to make a distinction between HPP and non-HPP may lead to improper management. Therefore, we evaluated the diagnostic value of spot urine tests in patients with hypokalemia and paralysis during 3 years. METHODS: Before therapy, the urine potassium concentration, potassium-creatinine ratio, and transtubular potassium concentration gradient were determined in a second voided urine sample. RESULTS: Forty-three patients with hypokalemia and paralysis were identified: 30 had HPP and 13 had non-HPP. There was no significant difference in the plasma potassium or bicarbonate concentrations and in the pH of arterial blood between the 2 groups. All but 2 patients in the non-HPP group had urine potassium concentration values less than 20 mmol/L. Although the potassium concentration was significantly lower in the HPP group, there was some overlap. In contrast, the transtubular potassium concentration gradient and potassium-creatinine ratio differentiated patients with HPP vs non-HPP. Although only a mean +/- SD of 63 +/- 36 mmol of potassium chloride was administered in the patients with HPP, rebound hyperkalemia (>5 mmol/L) occurred in 19 (63%) of these 30 patients. CONCLUSIONS: Calculating the transtubular potassium concentration gradient and potassium-creatinine ratio provided a simple and reliable test to distinguish HPP from non-HPP. Minimal potassium chloride supplementation should be given to avoid rebound hyperkalemia in patients with HPP.
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.
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 découle