Associations among Estimated Glomerular Filtration Rate, Proteinuria, and Adverse Cardiovascular Outcomes
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Most studies of chronic kidney disease (CKD) and outcomes focus on mortality and ESRD, with limited data on other adverse outcomes. This study examined the associations among proteinuria, eGFR, and adverse cardiovascular (CV) events. DESIGN, SETTING, PARTICIPANTS, & MEASUREMENTS: This was a population-based longitudinal study with patients identified from province-wide laboratory data from Alberta, Canada, between 2002 and 2007. Selected for this study from a total of 1,526,437 patients were 920,985 (60.3%) patients with at least one urine dipstick measurement and 102,701 patients (6.7%) with at least one albumin-creatinine ratio (ACR) measurement. Time to hospitalization was considered for one of four indications: congestive heart failure (CHF), coronary artery bypass grafting (CABG) or percutaneous coronary intervention (PCI), peripheral vascular disease (PVD), and stroke/transient ischemic attacks [TIAs] (cerebrovascular accident [CVA]/TIA). RESULTS: After a median follow-up of 35 months, in fully adjusted models and compared with patients with estimated GFR (eGFR) of 45 to 59 ml/min per 1.73 m(2) and no proteinuria, patients with heavy proteinuria by dipstick and eGFR ≥ 60 ml/min per 1.73 m(2) had higher rates of CABG/PCI and CVA/TIA. Similar results were obtained in patients with proteinuria measured by ACR. CONCLUSIONS: Risks of major CV events at a given level of eGFR increased with higher levels of proteinuria. The findings extend current data on risk of mortality and ESRD. Measurement of proteinuria is of incremental prognostic benefit at every level of eGFR. The data support use of proteinuria measurement with eGFR for definition and risk stratification in 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».