Effects of dietary interventions for metabolic acidosis in chronic kidney disease: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Metabolic acidosis is a common complication of kidney disease and can result in further disease progression. Alkali therapy has been used to treat metabolic acidosis for decades. However, some concerns have been raised regarding its safety and long-term tolerability. Existing data suggest that dietary interventions can be beneficial in the management of chronic kidney disease (CKD). This systematic review and meta-analysis aims to summarize findings from studies comparing dietary interventions with placebo/usual care/no treatment in the management of metabolic acidosis in outpatient adults with CKD. METHODS: Medline, Embase, Cochrane Central, CINAHL and Web of Science Core Collection were searched from inception to June 2022. Our primary outcome measure was change in serum bicarbonate. Any dietary intervention looking to manipulate dietary acid load was considered as an intervention. Data screening and extraction were performed by two independent reviewers. Random effects meta-analysis was performed to pool data. RESULTS: Dietary interventions resulted in clinically significant improvement in serum bicarbonate [mean difference 2.98 (95% confidence interval 0.77, 5.19); I2: 91%] and higher estimated glomerular filtration rate (eGFR) levels [mean difference 3.16 (95% confidence interval 0.24, 6.08); I2: 67%] compared with controls. Serum potassium, albumin and body mass index remained unchanged. Dietary interventions were reported to be safe. Subgroup analyses indicated a superiority of plant-based over non-plant-based interventions in the improvement of acid-base balance and eGFR; however, these findings are from low-quality and heterogenous studies. CONCLUSION: Our findings support the beneficial effects of dietary interventions aimed at reducing acid or adding base in the management of metabolic acidosis and kidney function in adults with CKD, with no adverse effects on serum potassium and nutritional status. Well-designed clinical trials looking at the treatment of metabolic acidosis with dietary interventions with a focus on adding base through fruit and vegetables are required.
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) | 0,010 | 0,008 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».