Impact of age on glomerular filtration estimates
Notice bibliographique
Résumé
BACKGROUND: Glomerular filtration decreases progressively with age in adults. Predictive equation should have proper modelling to adequately account for normal senescence. METHODS: Corrected 24-h creatinine clearances (CCLs) were measured in a cohort of 773 outpatients from 18 to 90 years old. Multiple linear regression was used to model the effect of age on glomerular filtration. Comparisons were made with the simplified MDRD and the MAYO equations. Impact of the derived equation was tested in a second cohort of 7551 patients with normal serum creatinine. RESULTS: While all equations show declining function with age, our results suggest that the GFR reduction is progressive after the age of 30 and continue to decline steadily after the age of 60. This leads to a convex curve in the multiple regression analysis that is best fitted by an equation including the quadratic term (age(2)). In contrast, the MDRD equation produces a faster decrease in early adulthood and a flatter curve after the age of 60 while the MAYO equation produces a more linear effect. MDRD results in the normal range are lower than those estimated by the MAYO equation. These equations, as applied on an independent cohort of 7551 normal outpatients from 18 to 102 years, produce different profile of evolution of GFR with age. CONCLUSIONS: Inclusion of a quadratic term for age in the formula estimating GFR results in better modelling of the natural decline of renal function associated with ageing. Furthermore, as GFR steadily declines after the age of 30, a single cut-off value of GFR normality for all ages leads to underdiagnosis of young adults and over diagnosis of elderly individuals. Guidelines should take into account the observed reduction of kidney function with age in normal population for optimal evaluation of eGFR.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».