Risk Equation Determining Unsuccessful Cannulation Events and Failure to Maturation in Arteriovenous Fistulas (REDUCE FTM I)
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
Fistulas are the preferred permanent hemodialysis vascular access but a significant obstacle to increasing their prevalence is the fistula's high "failure to mature" (FTM) rate. This study aimed to (1) identify preoperative clinical characteristics that are predictive of fistula FTM and (2) use these predictive factors to develop and validate a scoring system to stratify the patient's risk for FTM. From a derivation set of 422 patients who had a first fistula created, a prediction rule was created using multivariate stepwise logistic regression. The model was internally validated using split-half cross-validation and bootstrapping techniques. A simple scoring system was derived and externally validated on 445 different, prospective patients who received a new fistula at five large North American dialysis centers. The clinical predictors that were associated with FTM were aged > or =65 yr (odds ratio [OR] 2.23; 95% confidence interval [CI] 1.25 to 3.96), peripheral vascular disease (OR 2.97; 95% CI 1.34 to 6.57), coronary artery disease (OR 2.83; 95% CI 1.60 to 5.00), and white race (OR 0.43; 95% CI 0.24 to 0.75). The resulting scoring system, which was externally validated in 445 patients, had four risk categories for fistula FTM: low (24%), moderate (34%), high (50%), and very high (69%; trend P < 0.0001). A preoperative, clinical prediction rule to determine fistulas that are likely to fail maturation was created and rigorously validated. It was found to be simple and easily reproducible and applied to predictive risk categories. These categories predicted risk of FTM to be 24, 34, 50, and 69% and are dependent on age, coronary artery disease, peripheral vascular disease, and race. The clinical utility of these risk categories in increasing rates of permanent accesses requires further clinical evaluation.
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 | 0,001 | 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 découle