How to Best Define Patients with Moderate Chronic Kidney Disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The objective of this study was to identify which formula may best identify moderate chronic kidney disease (CKD) (glomerular filtration rate (GFR) cut-off of 60 ml/min/1.73 m(2)). METHODS: We compared the performances of 14 serum creatinine (S(cr)) and 11 cystatin C (Cys C) estimated GFR equations using inulin clearance (Cl(in)) as the reference test in a stable CKD population of 101 patients. Scatter, coefficient of variation, bias, precision, accuracy within 30% ranges from the reference method, agreements and receiving operating characteristics (ROC) of each test were compared. RESULTS: ROC analysis identified Davis, Salzar, Virga and Cockcroft-Gault as the most sensitive (>or=85%) and the isotope dilution mass spectrometry (IDMS), Edwards, MacIsaac as the most specific (95%) to define the GFR cut-off level of 60 ml/min/1.73 m(2). Area under the ROC curve (AUC) was generally >0.8 (p <or= 0.0001). 2 x 2 contingency tables to define CKD demonstrated sensitivity of 90% for Davis, while the IDMS was the most specific (95%). Among the Cys-C-based equations, Filler was the most sensitive (83%) and MacIsaac was the most specific (95%). CONCLUSION: The current equations lack consistent good performance to define CKD. The MDRD-IDMS equation missed 30% but demonstrated a high specificity to confirm those with moderate CKD. A combination of two equations, one sensitive and another specific, may be required for epidemiological studies.
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.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle