Iron Status in Attention-Deficit/Hyperactivity Disorder: A Systematic Review and Meta-Analysis
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
BACKGROUND: Attention-deficit/hyperactivity disorder (ADHD) is one of the most common psychiatric disorders in children. However, the pathogenesis of ADHD remains unclear. Iron, an important trace element, is implicated in brain function and dopaminergic activity. Recent studies have investigated the association between iron deficiency and ADHD, but the results are inconsistent. METHODS: A systemic search of MEDLINE, EMBASE, Web of Science and Cochrane Library databases was supplemented by manual searches of references of key retrieved articles. Study quality was evaluated using the Newcastle-Ottawa Scale. The standardised mean difference (SMD) and 95% confidence intervals (CIs) were calculated using a random-effects model. H2 and I2 were used to evaluate the heterogeneity, and sensitivity, subgroup and meta-regression analyses were conducted to explore the reason of heterogeneity. RESULTS: The search yielded 11 studies published before July 25, 2016. Of these, 10 studies, comprising 2191 participants and 1196 ADHD cases, reported serum ferritin levels, and six studies, comprising 617 participants and 369 ADHD cases, reported serum iron levels. Serum ferritin levels were lower in ADHD cases (SMD = -0.40, 95% CI = -0.66 to -0.14). However, we found no correlation between serum iron levels and ADHD (SMD = -0.026, 95% CI = -0.29 to 0.24). Meta-regression analysis indicated that publication year, age, gender, sample size, and Hb levels did not significantly influence the pooled estimates of serum ferritin. CONCLUSION: Lower serum ferritin rather than serum iron is associated with ADHD in children.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,021 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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