Clinical Measures Identify Vitamin D Deficiency in Dialysis
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Vitamin D deficiency (defined by serum levels of 25-hydroxyvitamin D) is common in patients with ESRD on hemodialysis, but risk factors are unknown. This study was conducted to determine whether routinely measured clinical and demographic parameters could identify dialysis patients who are vitamin D deficient. DESIGN, SETTING, PARTICIPANTS, & MEASUREMENTS: Nine-hundred eight patients with 25-hydroxyvitamin D levels were identified from the Accelerated Mortality on Renal Replacement (ArMORR) cohort of incident U.S. dialysis patients and were divided into training (60%) and validation (40%) sets. Predictive models were generated from routinely assessed clinical and demographic data in the training set using logistic regression modeling, neural networks, and decision trees with vitamin D deficiency as the dependent variable. Models underwent progressive variable reduction to identify the simplest model that remained predictive. RESULTS: Seventy-nine percent of the population was vitamin D deficient (25-hydroxyvitamin D <30 ng/ml). Black race, female sex, winter season, and hypoalbuminemia (serum albumin < or =3.1 g/dl) were the strongest predictors of vitamin D deficiency. In the validation set, the presence of hypoalbuminemia and winter season increased the likelihood of vitamin D deficiency in black women (from 90% to 100%), black men (from 85% to 100%), white women (from 82% to 94%), and white men (from 66% to 92%). CONCLUSIONS: Deficiency of 25-hydroxyvitamin D is nearly universal among patients with hypoalbuminemia initiating chronic hemodialysis in winter.
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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,007 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».