Erythropoietin Levels in Elderly Patients with Anemia of Unknown Etiology
Notice bibliographique
Résumé
BACKGROUND: In many elderly patients with anemia, a specific cause cannot be identified. This study investigates whether erythropoietin levels are inappropriately low in these cases of "anemia of unknown etiology" and whether this trend persists after accounting for confounders. METHODS: This study includes all anemic patients over 60 years old who had erythropoietin measured between 2005 and 2013 at a single center. Three independent reviewers used defined criteria to assign each patient's anemia to one of ten etiologies: chronic kidney disease, iron deficiency, chronic disease, confirmed myelodysplastic syndrome (MDS), suspected MDS, vitamin B12 deficiency, folate deficiency, anemia of unknown etiology, other etiology, or multifactorial etiology. Iron deficiency anemia served as the comparison group in all analyses. We used linear regression to model the relationship between erythropoietin and the presence of each etiology, sequentially adding terms to the model to account for the hemoglobin concentration, estimated glomerular filtration rate (eGFR) and Charlson Comorbidity Index. RESULTS: A total of 570 patients met the inclusion criteria. Linear regression analysis showed that erythropoietin levels in chronic kidney disease, anemia of chronic disease and anemia of unknown etiology were lower by 48%, 46% and 27%, respectively, compared to iron deficiency anemia even after adjusting for hemoglobin, eGFR and comorbidities. CONCLUSIONS: We have shown that erythropoietin levels are inappropriately low in anemia of unknown etiology, even after adjusting for confounders. This suggests that decreased erythropoietin production may play a key role in the pathogenesis of anemia of unknown etiology.
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) | 0,001 | 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 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 ».