Prevalence of impaired kidney function in patients with long‐term lithium treatment: A systematic review and meta‐analysis
Notice bibliographique
Résumé
OBJECTIVES: Although lithium renal effects have been extensively investigated, prevalence rates of chronic kidney disease (CKD) in lithium-treated patients vary. Our aim was to provide prevalence estimates and related moderators. METHODS: We performed a systematic review in PubMed/Embase until November 01, 2021, conducting a random effects meta-analysis of studies evaluating CKD prevalence rates in lithium-treated patients calculating overall prevalence ±95% confidence intervals (CIs). Meta-regression analyses included sex, age, body mass index, smoking, hypertension, diabetes, cardiovascular disease, lithium-treatment dose, duration, and blood levels. Subgroup analyses included sample size, diagnoses, and study design. Pooled odds ratios (OR) were estimated for studies including patients receiving nonlithium treatment. Study quality was assessed using the Newcastle-Ottawa scale. RESULTS: Five, nine, and six trials were rated as high, fair, and low quality, respectively. In 20 studies (n = 25,907 patients), we estimated an overall prevalence of 25.5% (95% CI = 19.8-32.2) of impaired kidney function; despite lack of differences (p = 0.18), prevalence rates were higher in elderly samples than mixed samples of elderly and nonelderly (35.6%, 95% CI = 21.4-52.9, k = 2, n = 3,161 vs. 25.1%, 95% CI = 19.1-31.3, k = 18, n = 22,746). Prevalence rates were associated with longer lithium treatment duration (p = 0.04). Cross-sectional studies provided lower rates than retrospective studies (14.5%, 95% CI = 13.5-15.5, k = 6, n = 4,758 vs. 29.5%, 95% CI = 22.1-38.0, k = 12, n = 17,988, p < 0.001). Compared with 722,529 patients receiving nonlithium treatment, the OR of impaired kidney function in 14,187 lithium-treated patients was 2.09 (95% CI = 1.24-3.51, k = 8, p = 0.005). CONCLUSIONS: One-fourth of patients receiving long-term lithium may develop impaired kidney function, although research suffers from substantial heterogeneity between studies. This risk may be twofold higher compared with nonlithium treatment and may increase for a longer lithium treatment duration.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».