Organophosphate pesticides and progression of chronic kidney disease among children: A prospective cohort study
Notice bibliographique
Résumé
Growing evidence suggests that exposure to environmental chemicals, such as pesticides, impacts renal function and chronic kidney disease (CKD). However, it is not clear if pesticides may affect CKD progression and no studies exist in children. The objective of this study was to examine associations between serially measured urinary OP pesticide metabolites and clinical and laboratory measures of kidney function over time among children with CKD. This study used data on 618 participants enrolled in the CKD in Children study (CKiD), a cohort study of pediatric CKD patients from the US and Canada. Children were followed over an average of 3.0 years (standard deviation (SD) = 1.6) between 2005 and 2015. In serially collected urine samples over time, six nonspecific dialkyl phosphate (DAP) metabolites of OP pesticides were measured. Biomarkers of tubular injury (kidney injury molecule-1 (KIM-1) and neutrophil gelatinase-associated lipocalin (NGAL)) and oxidant stress (8-hydroxy-2′-deoxyguanosine (8-OHdG) and F2-isoprostane) were determined in the same specimens. Estimated glomerular filtration rate (eGFR), proteinuria, and blood pressure were assessed annually. DAPs were associated with increased KIM-1 and 8-OHdG throughout follow-up. A standard deviation increase in ∑diethyl metabolites was associated with increases of 11.9% (95% Confidence Interval (CI): 4.8%, 19.4%) and 13.2% (95% CI: 9.3%, 17.2%) in KIM-1 and 8-OHdG over time, respectively. DAPs were associated with lower eGFR at baseline and higher eGFR over subsequent years. These findings provide preliminary evidence suggesting that urinary DAP metabolites are associated with subclinical kidney injury among children with CKD, which may signal the potential for clinical events to manifest in the future. The results from this study are significant from both a clinical and public health perspective, given that OP pesticide exposure is a modifiable risk factor.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».