Clinical and novel insights into risk factors for sarcopenia in dialysis patients: a systematic review and meta-analysis
Notice bibliographique
Résumé
We employed a meta-analysis to investigate the risk factors associated with sarcopenia in patients undergoing dialysis. We conducted a search in PubMed, Embase, Cochrane Library, and Web of Science databases. Inclusion criteria included case–control and cohort studies on risk factors for sarcopenia in dialysis patients. The search period spanned from the inception of each database to September 20, 2024. The quality of the included studies was assessed using the Newcastle–Ottawa Scale (NOS). Data analysis was performed using Stata 15.0. A total of 625 articles were screened, with 610 articles excluded based on predefined eligibility criteria, resulting in 15 articles involving 2904 individuals were included in the final analysis, meta-analysis results indicate that older dialysis patients [SMD = 0.76, 95% CI (0.54, 0.99), I2 = 81%, P = 0.001], those with a lower BMI [SMD = -0.50, 95% CI (-0.80, -0.20), I2% = 87.4%, P = 0.02], a lower SMI [SMD = -2.67, 95% CI (-3.87, -1.47), I2% = 98.2%, P = 0.001], and those with diabetes [OR = 1.43, 95% CI (1.13, 1.82), I2% = 48.8%, P = 0.03] are more likely to develop sarcopenia. Based on current research, our study found that elderly dialysis patients, those with a lower BMI, lower SMI, and diabetic patients are more likely to develop sarcopenia. These findings highlight the necessity of early intervention for these high-risk groups. However, the study has limitations. Future research should address these limitations and investigate the mechanisms linking these risk factors to sarcopenia to develop targeted prevention and treatment strategies.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,012 |
| 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 ».