WHO CRASHES ONTO DIALYSIS? HEALTH DETERMINANTS OF PATIENTS WHO ARE LATE REFERRED TO CHRONIC RENAL CARE IN CANADA
Notice bibliographique
Résumé
Late nephrology referral, a problem currently identified across many high income countries, has been associated with reduced opportunities for delaying or halting the progression of chronic kidney disease (CKD), delayed dialysis initiation, reduced choice in treatment modality, increased morbidity and hospitalization, and premature death. Despite a recent finding that the progression of CKD nearly always presents warning signs, and despite the fact that all Canadians are entitled to receive medically necessary health care free at the point of patient entry, each year in the province of British Columbia (BC) a substantial number of people with CKD experience late or no referral to nephrology care prior to requiring renal replacement therapy. A subset of these CKD patients experience no referral and “crash” onto dialysis (experience an acute or emergent start). Existing research has not fully explored the range of potential health determinants that may affect the timing of nephrology referral. This paper adopts a “determinants of health” framework and assesses the impact of a variety of indicators on patients’ physical health, demographics, socioeconomic status, social support, geographic and health system characteristics. Using a late referral definition of <3 months and data on BC patients who began dialysis between April 2000 and March 2003, multiple regression analysis indicates that the following determinants have an independent effect on the timing of referral: cause of end-stage renal disease (p=<0.0001); age (p=<0.0001); race/ethnicity (p=0.0019); English ability (p=0.0158); marital status (p=0.0202); proximity to care (p=0.0118); and, “age by first language” (p=0.0244).
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».