Inpatient Management of Gout: Serum Urate Testing and Allopurinol Dose Adjustment
Notice bibliographique
Résumé
Objective Despite effective treatment, gout is poorly managed. The aim of this study was to determine rates of serum urate (SU) testing and allopurinol dose adjustment in patients admitted to Christchurch-based hospitals who were receiving allopurinol. Methods The hospital electronic prescribing and administration (ePA) system was used to identify patients receiving allopurinol during hospital admissions from March 2016 to March 2023. Demographics, SU, renal function, and changes to allopurinol therapy were recorded for each admission. Results were stratified by target SU and renal function. Results Of 18,081 patients who received allopurinol, SU was measured in 2950 (16.32%). The mean SU was 0.37 (SD 0.12) mmol/L, with 1270 (43.05%) above target SU (0.36 mmol/L). Admissions with chronic kidney disease (CKD) stage 3-5 were more likely to have SU above target than those with CKD stage 1-2 (78.84% vs 21.26%;P< 0.001). Among those with SU above target, allopurinol was discontinued in 148 (11.65%) and the dose reduced in 44 (3.46%), increased in 92 (7.24%), and unchanged in 986 (77.63%) during the admission. Those above target SU with CKD stage 3-5 were more likely to stop or decrease allopurinol compared to those with CKD stage 1-2 (16.4% vs 10.4%;P= 0.01). Conclusion More than 80% of hospital admissions did not have SU measured, despite the patient receiving allopurinol. Most admissions had suboptimal management of the allopurinol dose in the context of their SU. These results reflect a missed opportunity to review and optimize gout management.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».