Skeletal muscle infarction in diabetes mellitus.
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
OBJECTIVE: To analyze the risk factors, clinical features, and methods of diagnosis of diabetic muscle infarction (DMI). METHODS: Three patients with diabetes mellitus (DM) and skeletal muscle infarction were studied, and 49 additional cases reported in the English literature (Medline database search) were reviewed. RESULTS: Review of all 52 patients with DMI revealed a number of typical features: equal sex distribution; mean age 41.5 years (range 19-81 yrs); a number of risk factors [long duration of DM (mean 15.2 yrs), poor control and microvascular diabetic complications (neuropathy, retinopathy, nephropathy) (94%), and insulin dependent type I DM (77%)]; a characteristic clinical presentation with painful diffuse muscle swelling (100%); and sometimes a muscle mass (44%), predilection for quadriceps (62%), hip adductors (13%) and leg muscles (13%), elevated serum creatine phosphokinase (47%), abnormal sonograms (81%), abnormal magnetic resonance image (MRI) findings (100%), typical histopathologic findings of a muscle infarct (100%) (ultrastructural evidence of microangiography in one patient); and a tendency toward spontaneous resolution although recurrences are common (51%). CONCLUSION: Skeletal muscle infarction is a rare complication of long standing, poorly controlled DM associated with multiple end organ microvascular sequelae. Increased clinical awareness is important for early recognition, particularly in a diabetic patient presenting with a painful thigh or leg swelling. MR imaging is the diagnostic study of choice, and in the appropriate clinical setting, may obviate the need for a muscle biopsy.
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) | 0,001 | 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