Demographic, clinical, and biochemical predictors of pica in a large cohort of blood donors
Notice bibliographique
Résumé
BACKGROUND: Pica is characterized as repeatedly eating or chewing a non-nutritious substance including, but not limited to ice, clay and dirt, starch, raw pasta, chalk, coal, paint, or paper. Pica symptoms can be intense and addiction-like and disrupt quality of life. It is strongly linked to iron deficiency. Since substantial iron loss occurs during blood donation, blood donors may be susceptible to development of pica behaviors. METHODS: We investigated demographic, clinical, hematological, and biochemical factors associated with pica using univariable and multivariable logistic regression analysis in a cohort of 11,418 racially diverse blood donors. Pica was defined by questionnaire responses as consuming at least 8 oz of ice daily and/or consumption of non-ice substances regardless of the amount and frequency. RESULTS: Pica was present in 2.2% of the donors. The sensitivity and specificity of pica in iron-deficient donors were 36% and 82%, respectively. Lower ferritin (p = .001), non-Asian race (p < .001), higher red cell distribution width (p < .001), younger age, and restless legs syndrome (p = .008) were independently associated with pica. Female sex is associated with iron deficiency but was not an independent predictor of pica suggesting that iron deficient males and females were equally susceptible to the development of pica behaviors. Donors with normal ferritin levels also reported pica, reinforcing the role of non-iron related factors in its presentation. CONCLUSIONS: We have identified demographic, clinical, and biochemical predictors of pica that help identify those most at risk for developing pica behaviors, and thereby assist in its clinical diagnosis and treatment.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».