Treatment of Gout Patients with Impairment of Renal Function: A Systematic Literature Review
Notice bibliographique
Résumé
OBJECTIVE: To assess the efficacy and safety of gout-specific medications in gout patients with a comorbidity and/or comedication. METHODS: A systematic literature search for gout, its medication, and the most common comorbidities and comedications, using serum uric acid (SUA) levels as the primary, and adverse events as the secondary outcomes. RESULTS: Eight trials met inclusion criteria. Trials covered treatment with allopurinol, benzbromarone, rasburicase, or febuxostat in a gout population with mild or moderate renal insufficiency. High risk of bias (5/8 trials) and heterogeneity precluded formal metaanalysis. The trials showed the following hierarchy in efficacy (lowering the SUA below 6.0 mg/dl): febuxostat 80 mg (44%-71%) > febuxostat 40 mg (43%-52%) > allopurinol 100 mg or 200 mg (0-46%) after 6 months of therapy; rasburicase (46%) > allopurinol 300 mg (16%) after 7 days of therapy; benzbromarone 100-200 mg (93%) > allopurinol 100-200 mg (63%) after 9-24 months of therapy. The combination of allopurinol and benzbromarone seemed to be effective, with a significant reduction in the SUA from 7.8 to 5.7 mg/dl (p < 0.05) after 1 month. One study showed that 89% achieved the target SUA using higher doses of allopurinol than usually recommended for patients with renal impairment without an apparent increase in adverse events. In addition, allopurinol and benzbromarone significantly improved renal function. CONCLUSION: In gout patients with renal insufficiency febuxostat, rasburicase, benzbromarone, and allopurinol + benzbromarone seemed to be effective and safe; allopurinol may be cautiously titrated until the target uric acid level has been reached, and may improve renal function.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 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 ».