Sugar and Stones
Notice bibliographique
Résumé
Introduction Urolithiasis is a common urological problem in the United Kingdom. 6% of the adult population were diag-nosed with diabetes in England in 2013. Researchers suggest the association of diabetes with stone forma-tion, recurrence, and morbidity. This study aimed to compare the prevalence of risk factors like metabolic syndrome, urinary tract infections, age, gender and ethnicity among diabetics versus non-diabetics and to determine how diabetes affects the biochemical and surgical outcomes of urolithiasis. Methods There were182 patients treated surgically for urolithiasis between January 2010 and December 2012 were retrospectively analyzed. Information was cross-referenced with electronic notes to produce biochemical and surgical data. Results A total of 31 (17%) patients had type 2 diabetes. The mean age of diabetics was significantly higher than non-diabetics by nearly 12 years (p-value < 0.001). Hypertension, hyperlipidaemia, obesity and UTIs were more prevalent among diabetics (p-value < 0.001, < 0.001, 0.01, 0.009 respectively). Diabetics had signifi-cantly bigger mean stones size (p-value=0.008) and are at higher risk of stone recurrence at 1 year (p-value =0.04) than non-diabetics. Stone recurrence was not significant at 3 and 5 years between the two groups. Diabetics significantly had higher urinary oxalate, and nearly statistically significant lower phosphate levels (p-value=0.007, 0.076 respectively). Conclusions Diabetics were significantly older and associated with metabolic syndrome. UTIs were more prevalent among diabetics which put them at risk of postoperative complications. Diabetics are at higher risk of stone recurrence at 1 year compare to non-diabetics. Biochemical urinary findings are important as they can guide the management of recurrent stone formers.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 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 ».