Methodological challenges when carrying out research on CKD and AKI using routine electronic health records
Notice bibliographique
Résumé
Research regarding chronic kidney disease (CKD) and acute kidney injury (AKI) using routinely collected data presents particular challenges. The availability, consistency, and quality of renal data in electronic health records has changed over time with developments in policy, practice incentives, clinical knowledge, and associated guideline changes. Epidemiologic research may be affected by patchy data resulting in an unrepresentative sample, selection bias, misclassification, and confounding by factors associated with testing for and recognition of reduced kidney function. We systematically explore the issues that may arise in study design and interpretation when using routine data sources for CKD and AKI research. First, we discuss how access to health care and management of patients with CKD may have an impact on defining the target population for epidemiologic study. We then consider how testing and recognition of CKD and AKI may lead to biases and how to potentially mitigate against these. Illustrative examples from our own research within the UK are used to clarify key points. Any research using routine renal data has to consider the local clinical context to achieve meaningful interpretation of the study findings.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,536 | 0,753 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,009 | 0,016 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,007 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».