Stone composition of renal stone formers from different global regions
Notice bibliographique
Résumé
OBJECTIVE: To study urinary stone composition patterns in different populations around the world. MATERIALS AND METHODS: Data were collected by reviewing charts of 1204 adult patients of 10 countries with renal or ureteral stones (> 18 years) in whom a stone analysis was done and available. Any method of stone analysis was accepted, but the methodology had to be registered. RESULTS: In total, we observed 710 (59%) patients with calcium oxalate, 31 (1%) with calcium phosphate, 161 (13%) with mixed calcium oxalate/calcium phosphate, 15 (1%) with carbapatite, 110 (9%) with uric acid, 7 (< 1%) with urate (ammonium or sodium), 100 (9%) with mixed with uric acid/ calcium oxalate, 56 (5%) with struvite and 14 (1%) with cystine stones. Calciumcontaining stones were the most common in all countries ranging from 43 to 91%. Oxalate stones were more common than phosphate or mixed phosphate/oxalate stones in most countries except Egypt and India. The rate of uric acid containing stones ranged from 4 to 34%, being higher in Egypt, India, Pakistan, Iraq, Poland and Bulgaria. Struvite stones occurred in less than 5% in all countries except India (23%) and Pakistan (16%). Cystine stones occurred in 1% of cases. CONCLUSIONS: The frequency of different types of urinary stones varies from country to country. Calcium-containing stones are prevalent in all countries. The frequency of uric acid containing stones seems to depend mainly on climatic factors, being higher in countries with desert or tropical climates. Dietary patterns can also lead to an increase in the frequency of uric acid containing stones in association with high obesity rates. Struvite stones are decreasing in most countries due to improved health conditions.
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) | 0,001 | 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 | 0,000 |
| 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 ».