Recognition of CKD After the Introduction of Automated Reporting of Estimated GFR in the Veterans Health Administration
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Early detection of CKD is important for slowing progression to renal failure and preventing cardiovascular events. Automated laboratory reporting of estimated GFR (eGFR) has been introduced in many health systems to improve CKD recognition, but its effect in large, United States-based health systems remains unclear. DESIGN, SETTING, PARTICIPANTS, & MEASUREMENTS: Using Veterans Affairs (VA) laboratory and administrative data, two nonoverlapping national cohorts of patients receiving care in VA medical centers before (n=66,323) and after (n=16,670) implementation of automated eGFR reporting between 2004 and 2010 were identified. Recognition was assessed by the presence of new CKD diagnostic codes, use of additional diagnostic testing, outpatient nephrology visits, or overall CKD recognition (receipt of at least one of these outcomes) for each patient during the 12-month period after their first eligible creatinine or eGFR laboratory result. Generalized estimating equations were used to assess change before and after automated eGFR reporting. RESULTS: Overall CKD recognition increased from 22.1% of veterans before eGFR reporting to 27.5% in the post-eGFR reporting period (odds ratio [OR], 1.19; 95% CI, 1.12 to 1.27; P<0.001). Higher overall CKD recognition was driven largely by increased documentation of CKD diagnosis codes in medical records (OR, 1.31; 95% CI, 1.21 to 1.41; P<0.001) and diagnostic testing for CKD (OR, 1.13; 95% CI, 1.03 to 1.24; P<0.01) rather than outpatient nephrology consultation. Automated eGFR reporting was not associated with greater CKD recognition among black or older patients (P=0.07). CONCLUSIONS: Automated eGFR laboratory reporting improved documentation of CKD diagnoses but had no effect on nephrology consultation. These findings suggest that to advance CKD care, further strategies are needed to ensure appropriate follow-up evaluation to confirm and effectively evaluate CKD.
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 | 0,007 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».