Role of urinary cations in the etiology of interstitial cystitis: A multisite study
Notice bibliographique
Résumé
Objective To determine whether patients with interstitial cystitis have elevated levels of toxic urinary cations, to identify and quantify these cationic metabolites, and to assess their cytotoxicity. Methods Isolation of cationic fraction was achieved by solid phase extraction using an Oasis MCX cartridge on urine specimens from interstitial cystitis patients and controls. C 18 reverse phase high‐performance liquid chromatography was used to profile cationic metabolites, and they were quantified by the area under the peaks and normalized to creatinine. Major cationic fraction peaks were identified by reverse phase high‐performance liquid chromatography and liquid chromatography–mass spectrometry. HTB‐4 urothelial cells were used to determine the cytotoxicity of cationic fraction and of individual metabolites. Results The reverse phase high‐performance liquid chromatography analysis was carried out on cationic fraction metabolites isolated from urine samples of 70 interstitial cystitis patients and 34 controls. The mean for controls versus patients was 3.84 (standard error of the mean 0.20) versus 6.71 (0.37) mAU*min/µg creatinine, respectively ( P = 0.0001). The cationic fraction cytotoxicity normalized to creatinine for controls versus patients in mean percentage was −7.79% (standard error of the mean 3.32%) versus 20.03% (standard error of the mean 2.75%; P < 0.0005). The major toxic cations were 1‐methyladenosine, 1‐methylguanine, N 2 ,N 2 ‐dimethylguanosine and L‐tryptophan. Conclusions These data confirm significant elevation of toxic cations in the urine of interstitial cystitis patients. These toxic cations likely represent a primary cause of interstitial cystitis, as they can injure the bladder mucus and initiate an epithelial leak.
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 ».