Abstracts of the 5<sup>th</sup> Cachexia Conference, Barcelona, Spain, December 5–8, 2009
Notice bibliographique
Résumé
Background and aims: Malnutrition is associated with higher levels of morbidity and mortality in patients with CKD. The aim of this study was to determine the prevalence of protein-energy wasting (PEW) using new diagnostic criteria compared with ICD-10 AM definitions in patients with CKD. Methods: Forty-two patients (22 male, 20 female; mean age, 65.7 (SD 17.6)years) from a private haemodialysis unit participated. To determine PEW, four categories are assessed: biochemistry serum albumin (<38 mg/l) or serum cholesterol (<100 mg/100 ml); body mass index (BMI) <23 or total body fat <10%; muscle mass, reduced mid-arm muscle mass area; and reduced dietary intake, protein <0.8 g/kg/day or energy <100 kJ/kg/day. At least three of the four categories must be present to diagnose PEW. The ICD-10 AM definitions of malnutrition include BMI <18.5 or evidence of weight loss, decreased intake and presence of fat loss and muscle wasting. This was assessed using subjective global assessment. Dietary intake was analysed using Foodworks (version 5). Fat mass was determined using bioelectrical impedance spectroscopy. Results: Ten patients (24%) met the criteria for PEW compared to eight patients (19%) using the ICD-10 AM criteria; however, only three patients met the criteria for both definitions. Thirteen patients had low biochemistry; 14 had low BMI; 19 had low muscle mass; 21 had low intake; two had BMI <18.5; and six had evidence of weight loss, decreased dietary intake, presence of subcutaneous fat loss and muscle wasting. Time taken for the PEW diagnosis was considerably longer than ICD-10 AM. Conclusions: The new diagnostic criteria for PEW require further validation studies in patients with CKD.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 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 ».