Redefining Overweight and Obesity (OW/OB) in a Large Cohort of Patients with ADPKD
Notice bibliographique
Résumé
Background: Emerging data indicate OW/OB are risk factors for accelerated progression in ADPKD patients. Thus, an accurate diagnosis is crucial to implement appropriate therapeutic measures and avoid unnecessary treatments if not indicated. The traditional BMI formula used to define OW/OB does not take into account the excess of weight attributed to large cystic kidney and liver in ADPKD. Here we define the prevalence and clinical characteristics of ADPKD patients with OW/OB in a large cohort using a formula recommended by KDIGO Methods: Cross-sectional analysis of patients with PKD1 and PKD2 mutations from the Toronto PKD Registry who had clinical and MRI measurements of total kidney volume (TKV) and total liver volume (TLV) was performed. BMI was calculated by the formula: weight (kg)/height (m2)), while estimated BMI (eBMI) was calculated with the formula proposed by KDIGO: adjusted body weight (body weight (kg) - TKV (kg) - TLV (kg) + weight of normal kidneys and liver/ height (m2) Results: Table 1 shows clinical characteristics of the study cohort (n=693) and subgroups defined by eBMI category. The median weight and BMI pre and post adjustment were 73 kg and 25,1 kg/m2 and 71.8 kg, and 24,3 kg/m2 respectively. A total of 352 (50.7%) patients were initially classified as OW/OB but the number decreased to 314 (45.3%) post adjustment; 10.7% of those initially classified as OW/OB were reclassified as having normal weight, and 80 (11.5%) of the study cohort were classified into a milder BMI category post adjustment Conclusion: OW/OB are highly prevalent among patients with ADPKD and are associated with worse prognoses. Using eBMI for an accurate diagnosis of OW/OB can help avoid unnecessary treatment for those previously misclassified
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».