MétaCan
Menu
Retour à la cohorte
Enregistrement W2327103610 · doi:10.1159/000442741

Anemia Management in the China Dialysis Outcomes and Practice Patterns Study

2016· article· en· W2327103610 sur OpenAlexfundno aff
Li Zuo, Mia Wang, Fan Fan Hou, Yucheng Yan, Nan Chen, Jiaqi Qian, Mei Wang, Brian Bieber, Ronald L. Pisoni, Bruce Robinson, Shuchi Anand

Notice bibliographique

RevueBlood Purification · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueErythropoietin and Anemia Treatment
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney DiseasesKidney Foundation of CanadaPeking University First HospitalFresenius Medical Care North AmericaAmgen
Mots-clésMedicineAnemiaErythropoietinHemodialysisInternal medicineDialysisOdds ratioHemoglobin

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: As the utilization of hemodialysis increases in China, it is critical to examine anemia management. METHODS: Using data from the China Dialysis Outcomes and Practice Patterns Study (DOPPS), we describe hemoglobin (Hgb) distribution and anemia-related therapies. RESULTS: Twenty one percent of China's DOPPS patients had Hgb <9 g/dl, compared with ≤10% in Japan and North America. A majority of medical directors targeted Hgb ≥11. Patients who were female, younger, or recently hospitalized had higher odds of Hgb <9; those with insurance coverage or on twice weekly dialysis had lower odds of Hgb <9. Iron use and erythropoietin-stimulating agents (ESAs) dose were modestly higher for patients with Hgb <9 compared with Hgb in the range 10-12. CONCLUSION: A large proportion of hemodialysis patients in China's DOPPS do not meet the expressed Hgb targets. Less frequent hemodialysis, patient financial contribution, and lack of a substantial increase in ESA dose at lower Hgb concentrations may partially explain this gap. Video Journal Club 'Cappuccino with Claudio Ronco' at http://www.karger.com/?doi=442741.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,057
Score d'incertitude au seuil0,113

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,303
Écart entre enseignants0,284 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations33
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBlood PurificationMême sujetErythropoietin and Anemia TreatmentTravaux en français237 207