High Prevalence of Osteoporosis and Osteopenia in Adult Neuromuscular Patients: A Prospective Pilot Study in Central Pennsylvania (P3.388)
Notice bibliographique
Résumé
OBJECTIVE: To study the prevalence of osteoporosis and osteopenia in patients seen in an academic neuromuscular clinic in central Pennsylvania. BACKGROUND: Osteoporosis (OP) and osteopenia are largely under-diagnosed conditions. Scattered reports of prevalence of osteoporosis in patients with Duchenne muscular dystrophy, SMA, ALS, Dermatomyositis and polymyomyositis, and post-polio syndrome have been published. A mouse model study of osteoporosis has shown progressive trabecular bone loss with progression of neuromuscular conditions. A Canadian multicenter osteoporosis study showed a prevalence of OP in men over 25 to be 6.6[percnt] and that for women over 50 years of age to be 15.8[percnt]. Such data for OP and osteopenia for patients seen in adult neuromuscular clinics in the US are lacking. METHODS: 27 consecutive adult patients, seen after random selection,had baseline bone mineral density (BMD) testing done from L spine and femur-neck. These patients were those who were considered for oral prednisone therapy. Among he paients, sixteen were women, and eleven men. RESULTS:6 patients had osteoporosis (22[percnt]); 8 had osteopenia (30[percnt]), and 13 had normal (48[percnt]) BMD testing. Six out of eleven men and eight out of sixteen women had abnormal testing. The prevalence of osteoporosis/osteopenia was statistically significant for both the gender groups. CONCLUSION; This PILOT study showed a statistically significant high prevalence of osteoporosis and osteopenia in patients with neuromuscular disorders independent of any known long term similar effects of prednisone therapy.such high prevalence was seen in men as well as in women.Large multicentric studies are worth contemplating. This can turn out to be an undiagnosed endemic or even pandemic condition. Plummeted quality of life, pain, and fractures can result from osteoporosis which can be potentially preventable if accurate and holistic diagnoses are made, prompting appropriate measures. Study supported by: none
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».