Tests of neuromuscular function are associated with fractures in patients with chronic kidney disease
Notice bibliographique
Résumé
BACKGROUND: Fractures are common in individuals with chronic kidney disease (CKD), and tests of neuromuscular function (NMT) discriminate well among fractured and non-fractured patients with Stage 5 CKD on dialysis. The ability of NMT to discriminate fracture status in patients with Stages 3-5 CKD is unknown. METHODS: In this cross-sectional study, we sought to determine in adult patients with Stages 3-5 CKD (eGFR by the Modification of Diet in Renal Disease equation) if NMT [timed up and go (TUG), 6-min walk (6MW) and grip strength] could discriminate fracture status (self-reported low-trauma fractures since age 40 and/or vertebral fractures by morphometry). We conducted logistic regression and receiver-operating characteristic (ROC) curves for each predictor [expressed as area under the ROC curves (AUROC) with 95% confidence intervals (CI)]. RESULTS: Data was available for 125 men and 86 women. The mean age was 63.3 ± 15.5 years, duration of CKD was 96.7 ± 125.3 months and one-third had diabetes. Patients with fractures were older and fell more frequently (P < 0.05). After adjusting for age, weight and sex, for every standard deviation increase in TUG and 6MW, the risk of fracture increased [odds ratio (OR): 1.68; 95% CI: 1.40-2.02] and decreased (OR: 0.53; 95% CI: 0.52-0.54), respectively. Both the TUG and 6MW could discriminate among those with and without fractures (AUROC: 0.90; 95% CI:0.84-0.95, AUROC: 0.87; 95% CI: 0.80-0.94, respectively). CONCLUSIONS: The TUG and 6MW are able to discriminate fracture status in patients with Stages 3-5 CKD. These tests do not require specialized expertise/equipment and are an inexpensive method to assess for the presence of fractures.
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 ».