Abstract Background This study aimed to investigate the role of uric acid (UA) in diabetic nephropathy (DN) from epidemiological and genetic perspectives. Methods We used data from the 2007–2016 National Health and Nutrition Examination Survey to evaluate the relationship between UA and DN risk using weighted multivariate-adjusted logistic regression. Subsequently, a two-sample Mendelian randomization study was conducted using genome-wide association study summary statistics. The main inverse variance weighting (IVW) method and supplementary MR method were used to verify the causal relationship between UA and DN, and sensitivity analysis was conducted to confirm the credibility of the results. Results Our observational study enrolled 4363 participants with diabetes mellitus from NHANES, among them, 2682 (61.4%) participants were identified as DN. The multivariate logistic regression model showed that compared with those without hyperuricemia, the DN risk of the hyperuricemia population was significantly increased ( P < 0.05). The MR results suggest a direct causal effect of hyperuricemia on DN (IVW odds ratio (OR): 1.37 (95% confidence interval 1.07–1.76); P = 0.01), which is consistent with findings from other MR methods. Conclusion The evidence from observational studies indicates a positive correlation between HUA and the onset of DN. And the causal effects of HUA on DN were supported by the MR analysis.

Background Drawing on prospective data from the National Health and Nutrition Examination Survey (NHANES), our goal was to construct and validate a 5-year survival prediction model for individuals with cognitive impairment (CI). Methods This study entailed a prospective cohort design utilizing information from the 2011–2014 NHANES dataset, encompassing individuals aged 40 years or older, with updated mortality status as of December 31, 2019. Predictive models within the derivation and validation cohorts were assessed using logistic proportional risk regression, column-line plots, and least absolute shrinkage and selection operator (LASSO) binomial regression models. Results The study enrolled a total of 1,439 participants (677 men, mean age 69.75 ± 6.71 years), with the derivation and validation cohorts consisting of 1,007 (538 men) and 432 (239 men) individuals, respectively. The 5-year mortality rate stood at 16.12% ( n = 232). We devised a 5-item column-line graphical model incorporating age, race, stroke, cardiovascular disease (CVD), and blood urea nitrogen (BUN). The model exhibited an area under the curve (AUC) of 0.772 with satisfactory calibration. Internal validation demonstrated that the column-line graph model displayed strong discrimination, yielding an AUC of 0.733, and exhibited good calibration. Conclusion To sum up, our study successfully developed and internally validated a 5-item nomogram integrating age, race, stroke, cardiovascular disease, and blood urea nitrogen. This nomogram exhibited robust predictive performance for 5-year mortality in individuals with CI, offering a valuable tool for prognostic evaluation and personalized care planning.

Eosinophilic granulomatosis with polyangiitis (EGPA), a rare but life-threatening systemic vasculitis, is distinguished by marked eosinophilia and presents with diverse symptoms, including asthma, cutaneous purpura, ecchymosis, skin necrosis, cardiac lesions, peripheral neuropathy, and necrotizing vasculitis. The etiology of EGPA involves a complex interaction among humoral, adaptive, innate, and allergic immune responses. Standard treatment employs prolonged high-dose glucocorticoid therapy, which is critical for survival; however, some patients' symptoms cannot be relieved.

Background and aim Changes in cognitive function are commonly associated with aging in patients with cardiovascular diseases. The objective of this research was to construct and validate a nomogram-based predictive model for the identification of cognitive impairment in older people suffering from cardiovascular diseases. Methods and results This retrospective study included 498 participants with cardiovascular diseases aged &gt;60 selected from the NHANES 2011–2014. The study employed the Minor Absolute Shrinkage and Selection Operator (LASSO) regression model, in conjunction with multivariate logistic regression analysis, to identify relevant variables and develop a predictive model. We used statistical techniques as in the Minor Absolute Shrinkage (MAS) and the Selection Operator (LASSO) regression model, in conjunction with multivariate logistic regression analysis, to identify variables that were significantly predictive of the outcome. After which, based on the selected relevant variables, we developed a machine learning model that was predictive of cognitive impairment such as Alzheimer’s diseases in the older people. The effectiveness of the resultant nomogram was evaluated by assessing its discriminative capability, calibration, and conducting decision curve analysis (DCA). The constructed predictive nomogram included age, race, educational attainment, poverty income ratio, and presence of sleep disorder as variables. The model demonstrated robust discriminative capability, achieving an area under the receiver-operating characteristic curve of 0.756, and exhibited precise calibration. Consistent performance was confirmed through 10-fold cross-validation, and DCA deemed the nomogram clinically valuable. Conclusion We constructed a NHANES cardiovascular-based nomogram predictive model of cognitive impairment. The model exhibited robust discriminative ability and validity, offering a scientific framework for community healthcare providers to assess and detect the risk of cognitive decline in these patients prematurely.