Abstract 55: Kidney Measures Beyond Conventional Risk Factors for Predicting Incident Cardiovascular Disease: A Collaborative Meta-Analysis of 16 Cohorts
Notice bibliographique
Résumé
Introduction: Despite the high risk of cardiovascular disease (CVD) in those with chronic kidney disease (CKD), there are conflicting data as to whether two key kidney measures, estimated glomerular filtration rate (eGFR) and albuminuria, contribute to better CVD prediction, beyond conventional risk factors, warranting a more comprehensive investigation over a broad range of populations. Methods: We studied 127,825 participants without history of CVD from 12 general population, 3 high risk and 1 CKD cohorts with data on eGFR (based on the CKD-EPI creatinine equation) and urinary albumin-creatinine ratio (ACR) and at least 4 years of median follow-up for CVD mortality (4,133 deaths from 15 cohorts), coronary heart disease (CHD) (5,420 events from 9 cohorts), stroke (2,651 events from 9 cohorts), or heart failure (2,507 events from 8 cohorts). To compare eGFR and ACR with conventional predictors independently of the order of modeling, we examined the worsening of 5-year prediction of CVD outcomes by omitting each predictor in turn compared to a full model with all kidney and conventional predictors. Results: C-statistics for full models ranged from 0.759-0.836 in general population and high risk cohorts and 0.712-0.796 in the CKD population (Table). All the conventional and kidney measures contributed to better prediction of CVD outcomes. The contribution of ACR was greater than that of any conventional modifiable risk factors except in predicting CHD in both general/high-risk cohorts and CKD population. Although weaker than ACR, eGFR also contributed significantly to better prediction of CVD mortality (especially in CKD populations) and CHD. Largely similar results were observed for categorical net reclassification index. Conclusion: The two key kidney measures (particularly albuminuria) contribute as much as some or all of the conventional risk factors to CVD prediction, supporting their use for CVD risk classification in certain circumstances.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,048 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,014 | 0,059 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».