The relationship between uric acid concentration and cardiovascular risk: Retrospective analysis of patients on hemodialysis

Abstract

Literaturni podaci ukazuju da povećana koncentracija mokraćne kiseline (MK) predstavlja značajan faktor rizika za kardiovaskularne bolesti. Cilj ove studije bio je da se retrospektivnom analizom ispita povezanost MK sa faktorima rizika za kardiovaskularne bolesti kod bolesnika na hemodijalizi. Za 110 bolesnika analizirane su vrednosti osnovnih parametara funkcije bubrega, metabolizma kostiju i faktora rizika za kardiovaskularne bolesti u periodu od 2010. do 2017. godine. Rezultati ukazuju na značajno povećanje koncentracije uree (P=0,004), kreatinina (P=0,028) i neorganskog fosfata (P˂0,001), kao i značajne razlike u zavisnosti od pola (P=0,013) u kategorijama rizika definisanim na osnovu granične koncentracije MK (cut off <350 µmol/L). Nakon kontrolisanja efekta većine parametara, statistički značajne vrednosti koeficijenata korelacije dobijene su za MK i ureu (r=0,361; P=0,0013), kreatinin (r=0,388; P=0,0005) i neorganski fosfat (r=0,366; P=0,0011). Značajni regresioni koeficijenti su dobijeni za MK i muški pol (β=-0,227, P=0,004), godine starosti (β=-0,298, P˂0,001), ureu (β=0,271, P=0,005) i neorganski fosfat (β=0,232, P=0,009). Prediktivna vrednost nezavisnih parametara u odnosu na MK je potvrđena za muški pol (OR=3,595; 95% CI: 1,421-9,094; P=0,007) i neorganski fosfat (OR=14,842; 95% CI: 2,518-87,472, P=0,003). Cox-ovom regresijom proporcionalnih nepoželjnih ishoda dobijen je najznačajniji udruženi efekat indeksa telesne mase i adekvatnosti dijalize na koncentraciju MK u odnosu na dužinu trajanja hemodijalize (P<0,0001). Rezultati ove dugoročne studije ukazuju da se MK ne može smatrati nezavisnim faktorom rizika za kardiovaskularne bolesti, ali da je kod bolesnika na HD, potrebno strateški kontrolisati nivo MK u cilju smanjenja posledičnih komplikacija, morbiditeta i mortaliteta.

The Relationship between Sleep Quality and Hemodialysis and Nursing Intervention in Uremia Patients Based on Intelligent Data

“…To adjust the weights of the BP neural network, it should follow the principle of reducing the error. Therefore, the number of adjustment weights ought to be directly related with respect to the negative grade of uncertainty [ 20 ], which can be expressed as …”