Risk Factors for the Development of Olecranon Bursitis—A Large-Scale Population-Based Study
Notice bibliographique
Résumé
Background: Olecranon bursitis (OB) involves fluid accumulation in the bursa, with common causes being trauma and preexisting conditions. Its incidence is difficult to quantify, and risk factors such as diabetes, obesity, and male gender are frequently noted. Hyperlipidemia has been linked to musculoskeletal disorders, but its role as a risk factor for OB remains unexplored. This study aimed to investigate the association between OB and hyperlipidemia, diabetes, obesity, cardiovascular disease, and statin use. Methods: A retrospective cohort study analyzed a large-scale database (2005–2020), ultimately including 10,301 patients with olecranon bursitis and 44,608 controls after applying exclusion criteria. Participants were aged 18–90 years, with BMI between 10 and 55. Key variables such as smoking, diabetes, hyperlipidemia, statin use, cardiovascular diseases (CVDs), and cerebrovascular accidents (CVAs) were analyzed. Logistic regression models were applied with stabilized inverse probability of treatment weighting (IPTW) to estimate odds ratios (ORs) for risk factors, and p-values were adjusted using the Benjamini–Hochberg method. Results: OB was significantly associated with male gender (OR: 1.406; p < 0.0001), hyperlipidemia (OR: 1.239; p < 0.0001), statin use (OR: 1.117; p = 0.0035), and smoking (OR: 1.068; p = 0.0094). Age and BMI were significant continuous variables influencing OB risk, particularly in older patients and those with elevated BMI. CVDs and diabetes were not significantly linked to OB. Hyperlipidemia increased OB risk, especially in males and individuals with higher BMI. Conclusions: Male gender, hyperlipidemia, and smoking are key risk factors for OB, with hyperlipidemia posing a notable risk in older individuals and those with higher BMI. Statin use did not significantly alter OB risk in hyperlipidemic patients. Further studies are needed to clarify the mechanisms behind these associations.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».