Micronutrient Deficiencies and Anemia in Children with Inflammatory Bowel Disease
Notice bibliographique
Résumé
Children with inflammatory bowel disease (IBD) are at risk of developing nutrition deficiencies, particularly because of reduced intake, restrictive diets, malabsorption, and excessive nutrient loss. The aim of this study was to determine the prevalence and predictors of anemia and micronutrient deficiencies at diagnosis and one year follow up in children and adolescents with inflammatory bowel disease (IBD). Children and young adults diagnosed with IBD before the age of 17 years between 2012 and 2018 were included. Laboratory measurements including serum levels of iron, ferritin, zinc, vitamin D, vitamin A, vitamin E, selenium, copper, vitamin B12, and red blood cell (RBC) folate at diagnosis and one-year follow-up were documented as part of the Manitoba Longitudinal Pediatric Inflammatory Bowel Disease (MALPID) Cohort. A total of 165 patients with IBD were included, 87 (53%) with Crohn's disease (CD) and 78 (47%) with ulcerative colitis (UC). The prevalence of deficiencies in our cohort at diagnosis and one year follow-up, respectively, were iron (56% and 27%), ferritin (39% and 27%), zinc (10% and 6%), vitamin D (22% and 13%), vitamin A (25% and 25%), vitamin E (5% and 4%), selenium (10 and 7%), copper (17% and 27%), vitamin B12 (2% and 5%), and Red blood cell (RBC) folate (1% and 17%). Anemia was present in 57% and 25% at diagnosis and follow up respectively. In CD patients, age of diagnosis (15y-younger than 18y) was a predictor of moderate to severe anemia and albumin levels (<33 g/L) were protective against anemia. Many children with IBD suffer from anemia and micronutrient deficiencies at diagnosis and some fail to recover after one year despite being in clinical remission.
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 ».