MétaCan
Menu
← Retour à la cohorte
Enregistrement W4397041512 · doi:10.1681/asn.20233411s1581a

Incidence and Risk Factors for Obesity and Short Stature in Childhood Nephrotic Syndrome: A Prospective Cohort Study

2023· article· en· W4397041512 sur OpenAlexaffabout
Cal Robinson, Nowrin F. Aman, Rahul Chanchlani, Vaneet Dhillon, Christoph Licht, Damien Noone, Rachel Pearl, Seetha Radhakrishnan, Chia Wei Teoh, Rulan S. Parekh

Notice bibliographique

RevueJournal of the American Society of Nephrology · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueRenal Diseases and Glomerulopathies
Établissements canadiensWomen's College HospitalMcMaster Children's HospitalHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésMedicineShort statureNephrotic syndromeIncidence (geometry)PediatricsProspective cohort studyObesityCohortChildhood obesityCohort studyInternal medicineOverweight

Résumé

récupéré en direct d'OpenAlex

Background: Children with nephrotic syndrome are at risk of obesity and short stature from repeated steroid treatment. The incidence, timing, and risk factors for these outcomes remain uncertain. Methods: We evaluated longitudinal growth and obesity in children (1-18yr) enrolled in Insight into Nephrotic Syndrome: Investigating Genes, Health, and Therapeutics (INSIGHT). We included nephrotic syndrome cases diagnosed from 1996-2019 in Greater Toronto. Growth parameters were measured at annual clinic visits. Primary outcomes were de novo obesity (body mass index (BMI) Z-score ≥+2) and short stature (height Z-score ≤-2). We calculated hazard ratios (HR) using Cox proportional hazards models. Results: We included 531 children with nephrotic syndrome (24% frequently relapsing (FRNS) by 1-year). At their initial clinic visit (within 1-year of diagnosis), 23.5% of cases were obese, 51.8% were overweight (BMI Z-score ≥+1), and 4.9% had short stature. At the last clinic visit, the prevalence of obesity had decreased (17.3%) and short stature was unchanged (3.8%). During median 4.2-year follow-up, 69 (17.7%) children developed obesity and 16 (3.3%) developed short stature, among those without obesity or short stature initially. Total relapse count was a significant predictor for de novo obesity (adjusted HR 1.03, 95%CI 1.01-1.06, p=0.01) and short stature (unadjusted HR 1.06, 95%CI 1.02-1.10, p=0.01). Children with >6 and >12 total relapses were more likely to develop obesity and short stature, respectively. Conclusions: Obesity is common among children with nephrotic syndrome early after diagnosis, but prevalence decreases over time. Effective relapse prevention may reduce steroid exposure and the risks of de novo obesity or short stature. Funding: Government Support - Non-U.S. - Obesity and height outcomes, by FRNS classification within 1-year of diagnosis Outcome Overall (n=531) Non FRNS (n=404) FRNS (n=127) Prevalent obesity at initial clinic visit, n (%) 125/531 (23.5) 89/404 (22.0) 36/127 (28.4) De novo obesity during follow-up, n (%) 69/390 (17.7) 46/302 (15.2) 23/88 (26.1) Prevalent obesity at last clinic visit, n (%) 91/526 (17.3) 65/399 (16.3) 26/127 (20.5) Prevalent short stature at initial clinic visit, n (%) 26/531 (4.9) 21/404 (5.2) 5/127 (3.9) De novo short stature during follow-up, n (%) 16/488 (3.3) 8/369 (2.2) 8/119 (6.7) Prevalent short stature at last clinic visit, n (%) 20/525 (3.8) 13/398 (3.3) 7/127 (5.5) Change in BMI Z-score during follow-up, mean (SD) -0.52 (1.23) -0.48 (1.19) -0.65 (1.34) Change in height Z-score during follow-up, mean (SD) +0.19 (0.84) +0.22 (0.79) +0.09 (0.97)

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,274
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the American Society of Nephrology→Même sujetRenal Diseases and Glomerulopathies→Travaux en français237 207→