Prevalence of urinary tract infections in women with vulvovaginal atrophy and the impact of vaginal prasterone on the rate of urinary tract infections
Notice bibliographique
Résumé
OBJECTIVE: The aims of this study were to assess the prevalence of urinary tract infections (UTI) in women newly diagnosed with vulvovaginal atrophy (VVA) versus women without VVA and to evaluate the potential of vaginal prasterone to be used in postmenopausal VVA women with UTI as prophylaxis to reduce the future UTI risk. As a first subgroup analysis, women using aromatase inhibitors, medications that stop the production of estrogen were analyzed. As a second subgroup analysis, we looked at women with diabetes to investigate whether the same prophylaxis approach should be considered. METHODS: This observational retrospective inception cohort study was conducted using the Integrated Dataverse open-source claims database with data from February 2015 through January 2020. RESULTS: A total of 22,245 women treated with prasterone for a minimum of 12 weeks were matched to women without any prescribed VVA-related treatment. Overall, women treated with prasterone have a significantly lower UTI prevalence compared to those untreated (6.58% vs 12.3%; P < 0.0001). The highest difference in UTI prevalence among the prasterone treated and untreated women was observed in those aged 65-74 (7.15% vs 16.2%; P < 0.0001). Among aromatase inhibitor users and women with diabetes, those treated with prasterone have a significantly lower UTI prevalence (4.90% vs 9.79%; P < 0.01 and 14.59% vs 20.48%; P < 0.0001, respectively). CONCLUSIONS: This study suggests that intravaginal prasterone may be a good candidate for prophylaxis in postmenopausal women with UTI to reduce future UTI risk, including for women taking aromatase inhibitors and women with diabetes. This study is based on real-world evidence and warrants further investigation in a clinical setting.
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 | 0,003 |
| 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 | 0,000 | 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 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 ».