Notice bibliographique
Résumé
Estimating the prevalence of chronic kidney disease (CKD) is no simple task. The overall prevalence is relatively low but may be higher in select populations that are not accessible to surveys (e.g., certain ethnic groups, the sick or elderly). Moreover, the tests that define CKD lack precision and transportability to healthy populations. During the past decade, it is not clear that CKD has grown substantially. Some epidemiologic factors that are associated with CKD (obesity and diabetes) are increasing, whereas others (uncontrolled hypertension and smoking) are decreasing. Reasons for the discrepancy between a stable CKD population and ongoing ESRD growth remain speculative. There is evidence that ESRD rates may be stabilizing and that efforts to reduce progression in high-risk groups may be starting to show benefit. Expanding the definition of CKD and increasing detection may be required to reduce overall ESRD prevalence. One concern is that many of the well-defined high-risk patient groups (diabetes and black) are still undertreated. Increasing the investigation and treatment of low-risk patients may not be the answer. Clinical inertia (failure to initiate or change therapy) may be a more significant and modifiable barrier toward reducing ESRD, and this deserves increased attention. Furthermore, reducing CKD prevalence will require controlling the precipitating causes. The incremental benefit of detecting CKD in low-risk patients, use of expensive therapies in CKD, or new strategies such as the treatment of prehypertension require solid evidence, not only of the variety that shows benefit (hard end points) but also to whom, when, and at what cost.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 0,014 |
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 ».