Impact of Automated Reporting of Estimated Glomerular Filtration Rate in the Veterans Health Administration
Notice bibliographique
Résumé
BACKGROUND: Early detection and treatment of chronic kidney disease (CKD) is important for slowing progression to renal failure and preventing cardiovascular events, but CKD is often not recognized and patients are referred to nephrologists too late for timely management. Automated laboratory reporting of estimated glomerular filtration rate (eGFR) has been introduced in many health systems to improve CKD recognition, but its impact on large, US-based health systems remains unclear. RESEARCH DESIGN: Retrospective time-series study examined change in renal care services and CKD recognition across VA health care system facilities in 2000-2009. Hierarchical generalized linear models were used to estimate immediate and long-term impacts of eGFR reporting across facilities on monthly rates of outpatient CKD diagnoses, utilization of CKD diagnostic tests (urine microalbumin and kidney ultrasound), and outpatient nephrology visits. RESULTS: Rates of CKD recognition through diagnoses in patient medical records changed an average of 11.4 additional diagnosed patients per 10,000 in the general outpatient population per month, with sustained long-term increases in CKD diagnoses (P<0.001). Diagnostic microalbumin and kidney ultrasound testing increased significantly, with long-term increases in microalbumin testing (P<0.001) and short-term increases in kidney ultrasound (P=0.01-0.04) rates across the VHA. There was no significant change in nephrology consultation rates. CONCLUSIONS: Automated eGFR reporting was associated with moderate system-level improvements in documentation of CKD diagnoses and use of diagnostic tests, but had no impact on nephrology consultation. To effectively reduce the large burden of disease and its associated complications, further strategies are needed to identify and provide timely treatment to those 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 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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».