Three compartment bioimpedance spectroscopy in the nutritional assessment and the outcome of patients with advanced or end stage kidney disease: What have we learned so far?
Notice bibliographique
Résumé
Bioimpedance spectroscopy (BIS) is an easily applicable tool to assess body composition. The three compartment model BIS (3C BIS) conventionally expresses body composition as lean tissue index (LTI) (lean tissue mass [LTM]/height in meters squared) and fat tissue index (FTI) (adipose tissue mass/height in meters squared), and a virtual compartment reflecting fluid overload (FO). It has been studied extensively in relation to diagnosis and treatment guidance of fluid status disorders in patients with advanced-stage or end-stage renal disease. It is the aim of this article to provide a narrative review on the relevance of 3C BIS in the nutritional assessment in this population. At a population level, LTI decreases after the start of hemodialysis, whereas FTI increases. LTI below the 10th percentile is a consistent predictor of outcome whereas a low FTI is predominantly associated with outcome when combined with a low LTI. Recent research also showed the connection between low LTI, inflammation, and FO, which are cumulatively associated with an increased mortality risk. However, studies toward nutritional interventions based on BIS data are still lacking in this population. In conclusion, 3C BIS, by disentangling the components of body mass index, has contributed to our understanding of the relevance of abnormalities in different body compartments in chronic kidney disease patients, and appears to be a valuable prognostic tool, at least at a population level. Studies assessing the effect of BIS guided nutritional intervention could further support its use in the daily clinical care for renal patients.
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) | 0,002 | 0,001 |
| 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 | 0,000 |
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 ».