Population Impact Attributable to Modifiable Risk Factors for Hyperuricemia
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
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 Using data obtained from 14,624 adults representative of the US civilian noninstitutionalized population, we calculated adjusted prevalence ratios for hyperuricemia, population attributable risks ( PAR s), and the variance explained according to the following 4 factors: body mass index ( BMI ; ≥25 kg/m 2 ), 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 PAR s 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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 découle