Assessment and management of vitamin status in children with CKD stages 2–5, on dialysis and post-transplantation: clinical practice points from the Pediatric Renal Nutrition Taskforce
Notice bibliographique
Résumé
Children with chronic kidney disease (CKD) are at risk for vitamin deficiency or excess. Vitamin status can be affected by diet, supplements, kidney function, medications, and dialysis. Little is known about vitamin requirements in CKD, leading to practice variation.The Pediatric Renal Nutrition Taskforce (PRNT), an international team of pediatric kidney dietitians and pediatric nephrologists, was established to develop evidence-based clinical practice points (CPPs) to address challenges and to serve as a resource for nutritional care. Questions were formulated using PICO (Patient, Intervention, Comparator, Outcomes), and literature searches undertaken to explore clinical practice from assessment to management of vitamin status in children with CKD stages 2-5, on dialysis and post-transplantation (CKD2-5D&T). The CPPs were developed and finalized using a Delphi consensus approach. We present six CPPs for vitamin management for children with CKD2-5D&T. We address assessment, intervention, and monitoring. We recommend avoiding supplementation of vitamin A and suggest water-soluble vitamin supplementation for those on dialysis. In the absence of evidence, a consistent structured approach to vitamin management that considers assessment and monitoring from dietary, physical, and biochemical viewpoints is needed. Careful consideration of the impact of accumulation, losses, comorbidities, and medications needs to be explored for the individual child and vitamin before supplementation can be considered. When supplementing, care needs to be taken not to over-prescribe. Research recommendations are suggested.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».