Effect of RANKL on Lower Depressive Symptoms In Hemodialysis Patients
Notice bibliographique
Résumé
Depression and osteoporosis are common diseases in dialysis patients. In addition, patients with osteoporosis are more susceptible to depression. Contrary to previous anti-osteoporosis agents, denosumab and romosozumab could be used in dialysis patients and have similar action mechanisms for blocking RANKL. RANKL causes bone resorption after binding RANKL, but binding with OPG leads to suppress of bone resorption. In recent mice study, inhibition of RANKL with denosumab improved depressive-like phenotype. Besides, it was found that OPG was associated with depression. Therefore, this study aimed to investigate the association of depressive symptoms with RANKL and OPG in hemodialysis patients. We conducted a cross-sectional study with a total of 172 hemodialysis patients. The participants were measured for plasma RANKL, OPG, MMP-2, and MMP-9 levels. Logistic regression analysis was performed to evaluate the effect of RANKL and OPG on the presence of depressive symptoms. The depressive symptoms were observed in 90 (52.3%) subjects. RANKL tertile 3 had negative association with BDI score (β - 4.527, 95% CI - 8.310 to - 0.743) in univariate analysis, and this association persisted even after multivariate adjustments (β - 5.603, 95% CI - 9.715 to -1.491) in linear regression. In logistic regression between RANKL tertiles and depressive symptoms, RANKL tertile 3 had significantly lower unadjusted OR (0.40, 95% CI 0.19-0.86), and multivariate-adjusted OR (0.31, 95% CI 0.12-0.82) for depressive symptoms. OPG was not significantly associated with depressive symptoms. Higher plasma RANKL concentrations were significantly associated with lower depressive symptoms in HD patients.Trial registration WHO registry, No. KCT0003281, date: January 12, 2017.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 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 ».