Serum Uric Acid and the Risk of Incident and Recurrent Gout: A Systematic Review
Notice bibliographique
Résumé
OBJECTIVE: Lowering serum uric acid (SUA) levels can essentially cure gout; however, this is not widely practiced. To summarize epidemiologic evidence related to this causal link, we conducted a systematic review of the published literature reporting the association between SUA level and incident and recurrent gout (i.e., gout flares). METHODS: We systematically searched Medline, EMBASE, and the Cochrane Database of Systematic Reviews using separate search strategies for incident gout and recurrent gout. We screened 646 abstracts to identify 8 eligible articles reporting gout incidence and 913 abstracts to identify 18 articles reporting recurrent gout. RESULTS: For both gout incidence and recurrence, a graded trend was observed where the risk was increased with higher SUA levels. Gout incidence rates per 1000 person-years from population-based studies ranged from 0.8 (SUA ≤ 6 mg/dl) to 70.2 cases (SUA ≥ 10 mg/dl). Recurrent gout risk in clinical cohorts ranged from 12% (SUA ≤ 6 mg/dl) to 61% (SUA ≥ 9 mg/dl) among those receiving urate-lowering therapy (ULT), and 3.7% (SUA 6-7 mg/dl) to 61% (SUA > 9.3 mg/dl) after successful ULT. Retrospective database studies also showed a graded relationship, although the strength of the association was weaker. Studies reporting mean flares or time-to-flare according to SUA showed similar findings. CONCLUSION: This systematic review confirms that higher SUA levels are associated with increased risk of incident and recurrent gout in a graded manner. Although few prospective cohorts have evaluated incident and recurrent gout according to SUA, the existing evidence underscores the need to treat to SUA targets, as recommended by the American College of Rheumatology and the European League Against Rheumatism.
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 | 0,008 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».