Predictors of erythropoietin use in patients with cardiorenal anaemia syndrome
Notice bibliographique
Résumé
OBJECTIVES: Chronic kidney disease (CKD) and anemia are common in patients with heart failure (HF) - these 3 conditions have been coined the Cardiorenal Anemia Sydrome (CRAS). The National Kidney Foundation Kidney Disease Outcomes Quality Initiative (NKF-K/DOQI) guidelines do not specifically address patients with CRAS, creating uncertainty in erythropoietin (EPO) prescribing. We sought to determine predictors of EPO use in patients with CRAS. METHODS: We conducted a retrospective cohort study at the Veteran's Affairs Greater Los Angeles Healthcare System (VAGLAHS), a 300+ bed facility that provides primary and tertiary inpatient, and ambulatory care services, between January 1, 2003 to December 31, 2006. A multiple logistic regression model was constructed to identify predictors of EPO use among CRAS patients. KEY FINDINGS: Of 2058 patients with CRAS, 213 (10.3%) were prescribed EPO. There were significant differences in baseline characteristics between the EPO and non-EPO groups. The following predictors were found to be associated with EPO prescription: iron supplementation (odds ratio [OR] 52.70, 95% confidence interval [CI] 11.70-237.46), renal clinic appointment (OR 2.60, 95% CI 1.79-3.76), malignancy (OR 1.52, 95% CI 1.07-2.16) and use of hydralazine/nitrates (OR 1.41, 95% CI 1.03-1.92). There was an inverse association found between EPO prescription and baseline hemoglobin (OR 0.61, 95% CI 0.53-0.70) and eGFR (OR 0.96, 95% CI 0.94-0.97). CONCLUSION: A small proportion of patients eligible for EPO therapy according to guidelines at the time of the study were prescribed the indicated therapy. Markers of declining renal function or those suggesting need for anemia therapy were identified as EPO predictors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».