The Prevalence of Hypothyroidism among Patients With β-Thalassemia: A Systematic Review and Meta-Analysis of Cross-Sectional Studies
Notice bibliographique
Résumé
As a cause of chronic blood transfusions, iron overload is an important issue in β-thalassemia (β-thal) patients that leads to multiple organ dysfunctions. This is an updated meta-analysis conducted to summarize the existing evidence of the prevalence of hypothyroidism (HT) among patients with transfusion-dependent (TDT) and non transfusion-dependent β-thal (NTDT) and for the first time we meta-analyzed the relationship between ferritin level and HT. This systematic review and meta-analysis were done according to the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) checklist. We searched databases including Web of Science (ISI), Scopus, PubMed, Embase, and Scholar. The quality of the included studies was assessed based on the Newcastle-Ottawa scale (NOS) checklist. Meta-analysis was done using Stata statistical software. The pooled prevalence of total HT, subclinical HT, and overt HT among β-thal patients was 13.25 [95% confidence interval (95% CI): 10.29–16.21; 11.84, 95% CI: 8.43–15.25 and 12.46, 95% CI: 1.05–23.87], respectively. The prevalence of total HT was 16.22% (95% CI: 12.36–20.08) in TDT and 7.22% (95% CI: 3.66–10.78) in NTDT patients. Serum ferritin (SF) levels were significantly lower in euthyroid compared to hypothyroid patients [standard mean difference (SMD) −2.15 (95% CI: −3.08, −1.21, p value <0.001]. The prevalence of HT was higher in TDT compared to NTDT patients. Moreover, our results showed a significant association of high serum ferritin (SF) levels with hypothyroidism in β-thal patients. Both of these findings highlight the importance of prevention measures and timely diagnosis and management of iron overload in β-thal patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,003 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».