9 HYPERURICEMIA AND RISK OF HYPERTENSION RESISTANT TO THERAPY: A SYSTEMATIC REVIEW AND META-ANALYSIS
Notice bibliographique
Résumé
Background: Hypertension is a common public health problem throughout the world. One of the most common risk factors of hypertension is hyperuricemia. However, there are limited data for the effect of hyperuricemia in hypertension undergoing therapy. The objective of this study is to discover the relationship between hyperuricemia and the risk for resistant hypertension. Methods: Systematic literature search was conducted based on the PRISMA flow diagram, from PubMed, PubMed Central, Cochrane, and Google Scholar with keywords. “hyperuricemia”, “uncontrolled hypertension”, “resistant hypertension”, and “hypertension”. Data extraction was done and Newcastle-Ottawa Scale was used to assess the study quality. The data was then analyzed using Revman 5.4.1 (Cochrane). Results: Four selected cohort studies with a total of 8247 patients. All of the included studies have good quality. From the data analysis, we found that hyperuricemia increased the odds of hypertension becoming resistant to therapy (OR: 2.29 [95% CI 1.26, 4.14]; p: 0.006). Forest plot showed the data was evenly distributed. Conclusion: Hyperuricemia increases the risk of hypertension being resistant to therapy. Therefore, uric acid levels should be controlled in hypertensive patients to optimize the effect of hypertension therapy.
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 | 0,011 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,032 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».