Temporal Changes in Blood Metabolome Among Patients on Hemodialysis
Notice bibliographique
Résumé
Introduction Hemodialysis (HD) sustains millions of lives but is associated with poor clinical outcomes. Metabolite accumulation undoubtedly accounts for some of the excess morbidity and mortality in this population; specific toxins responsible for this are not well-defined. Methods This prospective study investigates temporal metabolite changes in adults after HD initiation for 60 months or until death or end of study; patients on home or nocturnal HD, peritoneal dialysis, or with a functioning kidney transplant were censored for follow-up. Overall, 267 participants were selected; however, only 241 of these had required samples for analysis at the baseline, 137 at 6 months, 116 at 12 months, and 43 at 60 months. Samples were taken before HD sessions, 80 metabolites isolated from the serum using methanol were quantified using mass spectroscopy techniques, and their concentrations were regressed onto time and participant, using mixed regression in their natural and natural logarithm units. Results Despite maintenance HD treatment, 74 quantified metabolites showed that 43 significantly increased and 4 significantly decreased in serum concentration over the study period. Of the 43 metabolites that increased in serum concentration over the study period, 24 have not been associated with kidney failure previously. In post hoc analyses, we found that lower water solubility appeared more likely to exhibit increases of metabolites concentration in blood ( P = 0.04). Conclusion The metabolome of patients with kidney failure on maintenance HD changes significantly over 60 months. Future work on correlating toxins and clinical outcomes is needed to drive the development of technologies that improve blood purification for people with kidney failure.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».