Standardizing vitamin D supplementation to minimize deficiency in children with intestinal failure
Notice bibliographique
Résumé
BACKGROUND: Vitamin D deficiency is present in 40%-70% of children with intestinal failure (IF), yet there are no published guidelines for repleting and maintaining vitamin D levels in this population. The purpose of this study is to evaluate the efficacy of a standardized vitamin D algorithm in reducing the incidence of deficiency. METHODS: ) measurement. Vitamin D levels were compared prealgorithm (2014-2016) and during active-algorithm use (2018-2020). Vitamin D levels were classified as severe deficiency (<12.5 nmol per L), mild deficiency (12.5-39 nmol/L), insufficiency (40-74 nmol/L), optimal (75-224 nmol/L), or toxicity (>225 nmol/L). Descriptive and comparative statistics were calculated using a linear mixed-effects model, with P < 0.05 considered significant. RESULTS: Twenty-eight children with IF were enrolled, which included 157 vitamin D measurements (58 in the prealgorithm group and 98 in the active-algorithm group). Algorithm compliance was 4% in the prealgorithm group and 61% in the active-algorithm group. Active-algorithm patients had improved vitamin D levels in all categories compared with those of prealgorithm patients (mild deficiency: 8% vs 9%; insufficiency: 41% vs 72%; optimal: 50% vs 19%). Algorithm use was found to have a statistically significant effect on serum vitamin D levels (β = 21.58; 95% confidence interval, 14.11-29.05; P < 0.005). CONCLUSIONS: Children with IF are at high risk for vitamin D deficiency. Use of a standardized vitamin D supplementation algorithm was associated with increased serum vitamin D levels.
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 | 0,004 | 0,011 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».