The dangers of substance abuse in adolescents with chronic kidney disease: a review of the literature
Notice bibliographique
Résumé
Although there exist no specific data on the prevalence of substance abuse among children and adolescents with chronic kidney diseases (CKD), the magnitude of this problem should not be underestimated, as almost half of twelfth-graders in the U.S. admit to a history of using illegal drugs at least once when asked (National Institute on Drug Abuse, 2011). According to the 2010 Canadian Alcohol and Drug Use Monitoring Survey (Health Canada, n.d.), the prevalence of drug abuse among Canadian youths and young adults aged 15 to 24 remains higher than in adults older than 25 years of age, and the rates of drug use (excluding cannabis) in the past years were 7.9% and 0.8%, respectively, illustrating an almost 10 times higher rate in the younger age group (Health Canada, n.d.). Drug abuse can lead to numerous medical problems, including renal injury, and it is clearly a major public health concern, especially in patients with subnormal kidney function (Vupputuri et al., 2004). As most of the children and adolescents that suffer from CKD have long-term and trustful relationships with the nephrology team, we have the obligation and are in an excellent position to address this particular health issue (Finkelstein & Finkelstein, 2000; Kimmel, 2002; Kimmel, Cohen, & Peterson, 2008). This review summarizes the available data on the nephrotoxic effects of various commonly abused drugs with special emphasis on the additional damage that occurs in patients with pre-existing CKD. These data were obtained from a thorough search of the available primary literature, specifically using the PubMed database. The purpose is to provide health professionals with a resource to properly educate their CKD patients on the dangers of these drugs.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».