Sex Differences in the Clinical Profile Among Patients With Gout: Cross-sectional Analyses of an Observational Study
Notice bibliographique
Résumé
Objective. Research findings in gout result predominantly from studies about men and might not be generalizable to women. To improve insight into sex differences in gout, our study compared clinical characteristics and comorbidities of female and male patients with gout, and explored the influence of menopause on these differences. Methods. Data from patients referred to 2 rheumatology clinics and diagnosed with gout were used. Clinical characteristics and comorbidities of each sex were compared univariately. Sex difference in comorbidities were further explored in multivariate logistic regression analyses adjusting for age, BMI, smoking, and alcohol consumption in both the total group and in those with gout onset ≥ 55 years (as a surrogate for menopausal state). Results. There were 954 patients, including 793 (83%) men, included. Women were on average older (65 vs 62 yrs), were more often obese (54% vs 36%), had a higher serum uric acid (sUA) level (0.53 vs 0.49 mmol/L), used diuretics more often (60% vs 30%), and consumed alcohol less frequently (47% vs 72%). Additionally, women more frequently had reduced renal function (64% vs 31%), hypertension (78% vs 56%), heart failure (23% vs 12%), and type 2 diabetes (39% vs 17%; all P < 0.05). In those with gout onset ≥ 55 years, differences in comorbidities were less pronounced and disappeared after adjusting for lifestyle. Conclusion. Our study confirmed sex differences in clinical characteristics and comorbidities among newly diagnosed patients with gout, and revealed that sex differences in comorbidities among those with gout onset beyond the age of female menopause were strongly attenuated and fully explained by lifestyle.
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 | 0,001 | 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 | 0,001 |
| 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 ».