Establishing a Continuum of Acute Kidney Injury – Tracing AKI Using Data Source Linkage and Long-Term Follow-Up: Workgroup Statements from the 15th ADQI Consensus Conference
Notice bibliographique
Résumé
BACKGROUND: Acute kidney injury (AKI) is independently associated with the development of chronic kidney disease, endstage kidney disease and increased all-cause and cardiovascular-specific mortality. The severity of the renal insult and the development of multiple AKI episodes increase the risk of occurrence of these outcomes. Despite these long-term effects, only a minority of patients receive nephrologist follow up after an episode of AKI; those that do may have improved outcomes. Furthermore, relatively simple quality improvement strategies have the potential to change this status quo. METHODS: On this background, a working group of the 15(th) Acute Dialysis Quality Initiative (ADQI) conference applied the consensus-building process informed by review of English language articles identified through PubMed search to address questions related to the opportunities, methodological requirements and barriers for longitudinal follow-up of patients with AKI in the era of electronic health records and Big Data. RESULTS: Four consensus statements answering the key questions identified by the working group are developed. CONCLUSIONS: We have identified minimal data elements and potential data sources necessary to trace the natural history of patients from onset of AKI to long-term outcome. Minimum infrastructure and key barriers to achieving these goals are outlined together with proposed solutions.
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 | 0,025 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».