Center-Specific Factors Associated with Peritonitis Risk—A Multi-Center Registry Analysis
Notice bibliographique
Résumé
UNLABELLED: ♦ BACKGROUND: Previous studies have reported significant variation in peritonitis rates across dialysis centers. Limited evidence is available to explain this variability. The aim of this study was to assess center-level predictors of peritonitis and their relationship with peritonitis rate variations. ♦ METHODS: All incident peritoneal dialysis (PD) patients treated in Australia between October 2003 and December 2013 were included. Data were accessed through the Australia and New Zealand Dialysis and Transplant Registry. The primary outcome was peritonitis rate, evaluated in a mixed effects negative binomial regression model. Peritonitis-free survival was assessed as a secondary outcome in a Cox proportional hazards model. ♦ RESULTS: Overall, 8,711 incident PD patients from 51 dialysis centers were included in the study. Center-level predictors of lower peritonitis rates included smaller center size, high proportion of PD, low peritoneal equilibration test use at PD start, and low proportion of hospitalization for peritonitis. In contrast, a low proportion of automated PD exposure, high icodextrin exposure and low or high use of antifungal prophylaxis at the time of peritonitis were associated with a higher peritonitis rate. Similar results were obtained for peritonitis-free survival. Overall, accounting for center-level characteristics appreciably decreased peritonitis variability among dialysis centers (p = 0.02). ♦ CONCLUSION: This study identified specific center-level characteristics associated with the variation in peritonitis risk. Whether these factors are directly related to peritonitis risk or surrogate markers for other center characteristics is uncertain and should be validated in further studies.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».