Medical treatment of uric acid kidney stones
Notice bibliographique
Résumé
INTRODUCTION: The prevalence of uric acid (UA) stones increases regularly due to its high correlation with obesity, hypertension, metabolic syndrome, type 2 diabetes, and aging. Uric acid stone formation is mainly due to an acidic urinary pH secondary to an impaired urinary ammonium availability responsible for UA rather than soluble urate excretion. Alkalization of urine is therefore advocated to prevent UA crystallization and considered effective therapy. METHODS: We report a large series of 120 patients with UA lithiasis who were successfully treated with potassium (K)-citrate for stone dissolution (n=75) and/or stone recurrence prevention (n=45) without any urologic intervention, with a median 3.14 years followup. The K-citrate was diluted in 1.5 L of water, avoiding gastrointestinal disorders. RESULTS: Among 75 patients having stones in their kidney at initiation of therapy, a complete chemolysis was obtained in 88% of cases. Stone risk factors decreased under treatment, mainly due to increased diuresis, urinary pH, and citrate excretion. Treatment was stopped in only 2% of patients due to side effects, with no hyperkalemia onset despite a median urinary potassium increase of 44 mmol/day. CONCLUSIONS: Contrary to other reports, our data show that medical treatment of UA kidney stones is well-tolerated and efficient if regular monitoring of urinary pH is performed.
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 | 0,000 | 0,001 |
| 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) | 0,003 | 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 ».