Prevalence ofChronic Kidney Disease and Associated Factors in Senegalese Populations: A Community-Based Study in Saint-Louis.
Notice bibliographique
Résumé
BACKGROUND: Chronic kidney disease (CKD) is an emerging worldwide epidemic but littledata concerning African populations are available. OBJECTIVES: We aimed to assess prevalence of CKD in adult populations of Saint-Louis, northern Senegal. PATIENTS AND METHODS: In a population-based survey between January and May 2012, we included 1037 adults ≥ 18 years of age who resided in Saint-Louis. Socio-demographic, clinical, and biologic data were collected during household visits. Serum creatinine was measured by Jaffé method. We estimated glomerular filtration rate (eGFR) using the four-variable Modification of Diet in Renal Disease (MDRD) equation and CKD was defined by eGFR< 60 mL/min/1.73 m(2) and/or albuminuria > 1 g/L. A multivariate logistic regression was performed to identify factors associated with CKD. RESULTS: The mean of participants' age was 47.9 ± 16.9 years (range, 18-87) and sex ratio (male to female) was 0.52. Majority of participants lived in urban areas (55.3%) and had school education (65.6%). Hypertension, diabetes, and obesity were present respectively in 39.1%, 12.7%, and 23.4% of participants. Overall CKD prevalence was 4.9% (95% CI, 3.5-6.2) with eGFR< 30 mL/min/1.73 m(2) in 0.9%. Albuminuria > 1 g/L was found in 3.5% of patients. CKD was significantly more frequent among hypertensive patients in comparison with normotensive ones. Risk factors associated with CKD were hypertension (12% of risk excess) and age (3% of risk excess). CONCLUSIONS: CKD is frequent in adult population living in Northern Senegal. Main associated factors are hypertension and age. Prevention strategies are urgently needed to raise public awareness and promote early CKD detection and treatment in both urban and rural areas.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».