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 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 | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».