Associations between exposure to heavy metals and the risk of chronic kidney disease: a systematic review and meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We performed a systematic review and meta-analysis to examine the relationship between heavy metals (HMs) exposure and the risk of chronic kidney disease (CKD). Databases of Web of Science, Embase, MEDLINE, and Scopus were searched through June 2020 to identify studies assessing the relationships between exposure to HMs (i.e. cadmium, lead, arsenic, mercury) and the risk of CKD, evaluated by decreased estimated glomerular filtration rate (eGFR) and/or increased proteinuria risks in adults (≥18 years). Data were pooled by random-effects models and expressed as weighted mean differences and 95% confidence intervals. The risk of bias was assessed by the Newcastle–Ottawa scale (NOS). Twenty-eight eligible articles (<i>n</i> = 107,539 participants) were included. Unlike eGFR risk (<i>p</i> = 0.10), Cadmium exposure was associated with an increased proteinuria risk (OR = 1.35; 95% CI: 1.13, 1.61; <i>p</i> I<sup>2</sup> = 79.7%). Lead exposure was associated with decreased eGFR (OR = 1.12; 95%CI: 1.03, 1.22; <i>p</i> = 0.008; <i>I</i><sup>2</sup> = 87.8%) and increased proteinuria (OR = 1.25; 95% CI: 1.04, 1.49; <i>p</i> = 0.02; <i>I</i><sup>2</sup> = 79.6) risks. Further, arsenic exposure was linked to a decreased eGFR risk (OR = 1.55; 95% CI: 1.05, 2.28; <i>p</i> = 0.03; <i>I</i><sup>2</sup> = 89.1%) in contrast to mercury exposure (<i>p</i> = 0.89). Only two studies reported the link between arsenic exposure and proteinuria risk, while no study reported the link between mercury exposure and proteinuria risk. Exposure to cadmium, lead, and arsenic may increase CKD risk in adults, albeit studies were heterogeneous, warranting further investigations. Our observations support the consideration of these associations for preventative, diagnostic, monitoring, and management practices of CKD.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,026 | 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 découle