Treatment patterns and control of hypertension in systemic lupus erythematosus (SLE): a cross-sectional study
Notice bibliographique
Résumé
OBJECTIVE: Hypertension (HTN) is common in systemic lupus erythematosus (SLE), representing a key risk factor for cardiovascular and renal disease. We described HTN treatment patterns in SLE, evaluated uncontrolled HTN according to Canadian and American guidelines and identified factors associated with uncontrolled HTN. METHODS: We performed a cross-sectional study, identifying all McGill Lupus Clinic registry patients with an annual visit between January 2017 and May 2019 who were taking HTN medications. We excluded those taking medications only for another indication (eg, Raynaud's). We determined the frequency of uncontrolled HTN according to Canadian and American College of Cardiology/American Heart Association guidelines. Multivariate logistic regression (adjusted for age, sex and race/ethnicity) evaluated if uncontrolled HTN was more common with high body mass index (BMI), longer SLE duration, high disease activity, renal damage, multiple concomitant antihypertensives, prednisone and non-steroidal anti-inflammatory drugs. RESULTS: Of 442 patients with SLE, 108 were taking medications to treat HTN, and 38 took multiple medications concurrently. Angiotensin-receptor blockers were most common, followed by calcium channel blockers, diuretics, angiotensin-converting enzyme inhibitors and beta blockers. Among the 108 patients, 39.8% (n=43) had blood pressure (BP) >140/90 mm Hg, while 66.7% (n=72) had BP >130/80 mm Hg. In multivariate analyses, uncontrolled HTN (>130/80 mm Hg) was more likely in Caucasians (OR 2.72, 95% CI 1.12 to 6.78) and patients with higher BMI (OR 1.08, 95% CI 1.00 to 1.19). Patients with renal damage had better HTN control (OR 0.39, 95% CI 0.16 to 0.97). We could not draw definitive conclusions regarding other variables. CONCLUSION: Caucasians and patients with higher BMI had more uncontrolled HTN. The negative association with renal damage is reassuring, as controlled BP is key for renal protection.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».