Population Impact Attributable to Modifiable Risk Factors for Hyperuricemia
Notice bibliographique
Résumé
OBJECTIVE: To examine modifiable risk factors in relation to the presence of hyperuricemia and to estimate the proportion of hyperuricemia cases in the general population that could be prevented by risk factor modification, along with estimates of the variance explained. METHODS: ), alcohol intake, nonadherence to a Dietary Approaches to Stop Hypertension (DASH) diet, and diuretic use. RESULTS: BMI, alcohol intake, adherence to a DASH-style diet, and diuretic use were all associated with serum urate levels and the presence of hyperuricemia in a dose-dependent manner. The corresponding PARs of hyperuricemia cases for overweight/obesity (prevalence 60%), nonadherence to a DASH-style diet (prevalence 82%), alcohol use (prevalence 48%), and diuretic use (prevalence 8%) were 44% (95% confidence interval [95% CI] 41%, 48%), 9% (95% CI 3%, 16%), 8% (95% CI 5%, 11%), and 12% (95% CI 11%, 14%), respectively, whereas the corresponding variances explained were 8.9%, 0.1%, 0.5%, and 5.0%. Our simulation study showed the variance nearing 0% as exposure prevalence neared 100%. CONCLUSION: In this nationally representative study, 4 modifiable risk factors (BMI, the DASH diet, alcohol use, and diuretic use) could be used to individually account for a notable proportion of hyperuricemia cases. However, the corresponding serum urate variance explained by these risk factors was very small and paradoxically masked their high prevalences, providing real-life empirical evidence for its limitations in assessing common risk factors.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».