Rate of Decline of Residual Kidney Function before and after the Start of Peritoneal Dialysis
Notice bibliographique
Résumé
UNLABELLED: ♦ BACKGROUND: There is a paucity of information on whether peritoneal dialysis (PD) slows the decline of residual kidney function (RKF) compared to the natural slope of RKF decline prior to dialysis start. Our aim was to analyze the RKF decline before and after initiating PD, and to determine the principal factors affecting this decline during the PD period. ♦ METHODS: We determined individual glomerular filtration rates (GFR) for approximately 12 months before and after PD in 77 new PD patients in a large academic medical center (2008 - 2012). The GFR was estimated by the Modification of Diet in Renal Disease (MDRD) equation in the predialysis period and by averaging 24-hour urine creatinine and urea clearances in the PD period. The rate of RKF decline was calculated using unadjusted linear regression analysis. Wilcoxon signed rank test was used to compare RKF decline before and after PD initiation. Multivariate linear regression was used to identify independent risk factors for RKF decline in the PD phase. ♦ RESULTS: A significantly slower mean rate of RKF decline was observed in the PD period compared with the predialysis period (-0.21 ± 0.30 vs -0.59 ± 0.55 mL/min/1.73 m(2)/month, p < 0.01). Higher baseline RKF, higher serum phosphate, and older age were independently associated with faster decline of RKF (all p < 0.01). ♦ CONCLUSIONS: In patients with advanced chronic kidney disease, initiating PD was associated with a slower rate of RKF decline compared to the rate in the predialysis period.
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 | 0,000 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».