Effect of Urate-lowering Therapies on Renal Disease Progression in Patients with Hyperuricemia
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the association between hyperuricemia and renal disease progression in a real-world, large observational database study. METHODS: We conducted a population-based retrospective cohort study identifying 111,992 patients with hyperuricemia (> 7 mg/dl) from a large medical group. The final cohort were ≥ 18 years old, urate-lowering therapy (ULT)-naïve, and had the following laboratory results available: at least 1 glomerular filtration rate (GFR) level before the index date and at least 1 serum uric acid (sUA) level and GFR in the followup 36-month period. The cohort was categorized into 3 groups: never treated (NoTx), ULT time receiving therapy of < 80% (< 80%), and ULT time receiving therapy of ≥ 80% (≥ 80%). Outcomes were defined as a ≥ 30% reduction in GFR from baseline, dialysis, or GFR of ≤ 15 ml/min. A subanalysis of patients with sUA < 6 mg/dl at study conclusion was performed. Cox proportional hazards regression model determined factors associated with renal function decline. RESULTS: A total of 16,186 patients met inclusion criteria. There were 11,192 NoTx patients, 3902 with < 80% time receiving ULT, and 1092 with ≥ 80% time receiving ULT. Factors associated with renal disease progression were age, sex, hypertension, diabetes, congestive heart failure, hospitalizations, rheumatoid arthritis, and higher sUA at baseline. Time receiving therapy was not associated with renal outcomes. Patients who achieved sUA < 6 mg/dl had a 37% reduction in outcome events (p < 0.0001; HR 0.63, 95% CI: 0.5-0.78). CONCLUSION: Hyperuricemia is an independent risk factor for renal function decline. Patients treated with ULT who achieved sUA < 6 mg/dl on ULT showed a 37% reduction in outcome events.
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) | 0,001 | 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 ».