MétaCan
Menu
Retour à la cohorte
Enregistrement W2151523019 · doi:10.1051/medsci/200420121100

Facteurs de risque vasculaire et insuffisance rénale

2004· review· fr· W2151523019 sur OpenAlexaff
François Madore

Notice bibliographique

Revuemédecine/sciences · 2004
Typereview
Languefr
DomaineMedicine
ThématiqueDialysis and Renal Disease Management
Établissements canadiensHôpital du Sacré-Cœur de MontréalUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésMedicineDyslipidemiaUremiaKidney diseaseDiseaseDiabetes mellitusInternal medicineRisk factorPathogenesisPopulationVascular diseaseCardiologyIntensive care medicineEndocrinologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Patients with chronic kidney disease (CKD) have a substantially increased risk of cardiovascular disease (CVD) compared with the general population. The high prevalence of established traditional risk factors for atherosclerosis (diabetes, hypertension, dyslipidemia) in these patients undoubtedly contributes to the accelerated rate of vascular disease. In addition, several hypotheses have emerged to explain the high prevalence of CVD in patients with chronic renal failure. Growing evidence has been gathered over the last 15 years regarding the role of uremia-related risk factors such as inflammation and oxidant stress in the pathogenesis of atherosclerosis in subjects with renal failure. This paper will review current knowledge regarding the potential role of these non-traditional or uremia-related risk factors for atherosclerosis with special emphasis on prevalence, cardiac risk, and management in patients with CKD.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,921
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,002
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,351
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemédecine/sciencesMême sujetDialysis and Renal Disease ManagementTravaux en français237 207