The kidney disease wasting: Inflammation, oxidative stress, and diet‐gene interaction
Notice bibliographique
Résumé
The 350,000 maintenance hemodialysis (MHD) patients in the United States have an unacceptably high mortality rate of >20%/year. Almost half of all deaths are assumed to be cardiovascular. Markers of kidney disease wasting (KDW) such as hypoalbuminemia, anorexia, body weight and fat loss, rather than traditional cardiovascular risk factors, appear to be the strongest predictors of early death in these patients. The KDW is closely related to oxidative stress (SOX). Such SOX markers as serum myeloperoxidase are associated with pro-inflammatory cytokines and poor survival in MHD patients. Identifying the conditions that modulate the KDW/SOX-axis may be the key to improving outcomes in MHD patients. Dysfunctional lipoproteins such as a higher ratio of the high-density lipoprotein inflammatory index (HII) may engender or aggravate the KDW, whereas functionally intact or larger lipoprotein pools, as in hypercholesterolemia and obesity, may mitigate the KDW in MHD patients. Hence, a reverse epidemiology or "bad-gone-good" phenomenon may be observed. Diet and gene and their complex interaction may lead to higher proportions of pro-inflammatory or oxidative lipoproteins such as HII, resulting in the aggravation of the SOX and inflammatory processes, endothelial dysfunction, and subsequent atherosclerotic cardiovascular disease and death in MHD patients. Understanding the factors that modulate the KDW/SOX complex and their associations with genetic polymorphism, nutrition, and outcomes in MHD patients may lead to developing more effective strategies to improve outcomes in this and the 20 to 30 million Americans with chronic disease states such as individuals with chronic heart failure, advanced age, malignancies, AIDS, or cachexia.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».