Hypomagnesemia as a predictor of mortality in hemodialysis patients and the role of proton pump inhibitors: A cross‐sectional, 1‐year, retrospective cohort study
Notice bibliographique
Résumé
Introduction This study aimed to evaluate the association between proton pump inhibitor (PPI) use and serum magnesium levels, and the role of hypomagnesemia and PPI use as a risk factor for mortality in hemodialysis patients. Methods An observational study, including a cross-sectional and 1-year retrospective cohort study. The study comprised 399 hemodialysis patients at a single center, and was conducted from January to September 2014. Multiple linear regression analysis was used to investigate the independent relationship between serum magnesium levels and baseline demographic and clinical variables, including PPI and histamine-2 receptor antagonist use. Cox regression model was used to identify lower serum magnesium level and PPI as a predictor of 1-year mortality. Findings Serum magnesium levels were lower with PPI use than non-PPI use (2.39 ± 0.36 vs. 2.56 ± 0.39 mg/dL, P < 0.001). Multiple linear regression analysis showed that PPI use, low serum albumin levels, and low serum potassium and high-sensitivity C-reactive protein (hs-CRP) levels were significantly associated with low serum magnesium levels. A total of 29 deaths occurred during the follow-up period. According to Cox regression analysis stratified by hs-CRP, only high serum hs-CRP levels (>4.04 mg/L) in association with low serum magnesium levels was an independent risk factor for 1-year mortality (hazard ratio: 2.92; 95% CI: 1.53-6.40, P < 0.001). Discussion Serum magnesium levels are lower in PPI use. In the inflammatory state, a low serum magnesium level is a significant predictor of mortality in hemodialysis patients.
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 | 0,002 |
| 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 ».