Predictors of Peritonitis in Patients on Peritoneal Dialysis
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Despite the decreasing incidence of peritonitis among peritoneal dialysis (PD) patients over time, its occurrence is still associated with significant morbidity and mortality. Determining factors that are associated with PD peritonitis may facilitate the identification of patients who are at risk. DESIGN, SETTING, PARTICIPANTS, & MEASUREMENTS: Using data collected in the multicenter Baxter POET database between 1996 and 2005, the study population included incident Canadian PD patients. Potential predictors of peritonitis were sought using a negative binomial model and an Andersen-Gill model. Study variables included age, gender, race, cause of renal disease, diabetes status, transfer from hemodialysis (HD), previous renal transplant, and continuous ambulatory PD (CAPD) versus automated PD (APD). RESULTS: Data were available for 4247 incident PD patients, including 1605 patients with a total of 2555 peritonitis episodes. Using the negative binomial regression model, factors that were independently associated with a higher peritonitis rate included age, Black race, and having transferred from HD. There was an interaction between gender and diabetes, with an increased risk for peritonitis among female patients with diabetes. The use of CAPD versus APD did not affect the peritonitis rate. The Andersen-Gill model for recurrent events yielded similar results. CONCLUSIONS: Predictors of PD peritonitis included Black race, transferring from HD to PD, and diabetes among women. In contrast to previous findings, CAPD and APD were similar with regard to peritonitis risk.
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 | 0,000 |
| 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 ».