Comparative studies of dialysis therapies should reflect real world decision-making
Notice bibliographique
Résumé
The incidence and prevalence of end-stage renal disease (ESRD) continues to rise. While transplantation is the preferred therapy for kidney failure, there is a shortage of donor organs, and the majority of patients will be treated with either peritoneal dialysis (PD) or hemodialysis (HD). Randomized controlled trials comparing patient outcomes on PD and HD are not likely to be successful, as individuals who are educated about their treatment options generally develop a strong preference for one therapy over the other and will not consent to randomization. As a result, prospective cohort studies are frequently the strongest study design available to compare outcomes between dialysis modalities. Previous studies have provided important insights into the relative merits of the 2 therapies. However, they have examined outcomes in relatively heterogeneous groups of ESRD patients and are generally not designed in a manner that mirrors clinical decision-making. We explore several key methodological challenges in the design of observational research in ESRD with a focus on minimizing selection bias and making studies more relevant to the practicing nephrologist. We emphasize that incident patients are preferred in most comparative studies of dialysis modalities. We argue that analyses comparing the outcomes of renal replacement therapy (RRT) modalities should include patients eligible for the therapies being compared and that the way that patients are assigned to treatment groups should reflect decision-making in clinical practice. Finally, the point at which baseline characteristics are measured and we begin tracking patients for the occurrence of outcomes should be chosen carefully.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».