Association Between Clinical Risk Factors and Progression of Chronic Kidney Disease in Children
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Children with chronic kidney disease (CKD) have an increased risk of progression to ESRD. There is a need to identify treatments to slow the progression of CKD, yet there are limited data regarding clinical risk factors that may be suitable targets to slow progression. DESIGN, SETTING, PARTICIPANTS, & MEASUREMENTS: We performed a retrospective cohort study using the North American Pediatric Renal Trials and Cooperative Studies CKD database. There were 4166 pediatric subjects with CKD stages II to IV. Disease progression was defined as a GFR on follow-up of <15 ml/min per 1.73 m(2) or termination in the registry because of dialysis or transplantation. We used Kaplan-Meier and Cox proportional hazards methods to describe progression rates and determine factors associated with CKD progression. RESULTS: In the univariate analysis, CKD progression was associated with age, gender, race, primary disease, CKD stage, registration year, hematocrit, albumin, corrected calcium, corrected phosphorus, and use of certain medications. Factors that remained significant in the multivariate analysis were age, primary disease, CKD stage, registration year, hypertension, corrected phosphorus, corrected calcium, albumin, hematocrit, and medication proxies for anemia and short stature. CONCLUSIONS: There are multiple risk factors associated with disease progression in the pediatric CKD population. Factors that may be amenable to intervention include anemia, hypoalbuminemia, hyperphosphatemia, hypocalcemia, hypertension, and short stature. Because of the retrospective nature of our study, confirmation of our results from ongoing prospective studies is warranted before recommending prospective interventional trials.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».