Renal failure deaths and their risk factors in India 2001–13: nationally representative estimates from the Million Death Study
Notice bibliographique
Résumé
BACKGROUND: Renal failure represents a growing but mostly undocumented cause of premature mortality in low-income and middle-income countries. We investigated changes in adult renal failure mortality and its key risk factors in India using the nationally representative Million Death Study. METHODS: In this cross-sectional analysis of population-based data, two trained physicians independently assigned underlying causes to 150 018 deaths at ages 15-69 years from a nationally-representative mortality survey in India for 2001-03 and 2010-13, using the International Classification of Diseases, 10th version (ICD-10). We applied the age-specific proportion of renal failure deaths for the 2010-13 period to the 2015 UN estimates of total deaths in India and calculated age-standardised death rates for renal failure by rural or urban residence, state, and age group. We used proportional mortality of renal deaths (cases) to injuries (controls) to calculate the odds of renal death in the presence of different comorbidities and stratified risks by decade of birth. FINDINGS: In 2001-03, 2·1% of total deaths among 15-69 year olds were from renal failure (1266 [2·2%] of 58 871; unweighted). By 2010-13, the proportion of deaths from renal failure had risen to 2·9% (2943 [3·2%] of 91 147; unweighted) of total deaths and corresponding to 136 000 renal failure deaths (range 108 000-150 000) of 4 688 000 total deaths nationally in 2015. Age-standardised renal death rates were highest in the southern and eastern states, particularly among adults aged 45-69 years in 2010-13. Diabetes, hypertension, and cardiovascular disease were all significantly associated with increased renal failure deaths, with diabetes the strongest predictor-odds ratio (OR) vs control 9·2 (95% CI 6·7-12·7) in 2001-03, rising to 15·1 (12·6-18·1) in 2010-13. In the 2010-13 study population, the diabetes to non-diabetes OR was twice as large in adults born in the 1970s (25·5, 95% CI 17·6-37·1) as in those individuals born during or before the 1950s (11·7, 9·1-14·9). INTERPRETATION: Renal failure is a growing cause of premature death in India. Poorly treated diabetes is the most probable reason for this increase. Strategies aimed at diabetes prevention, and early detection and treatment are urgently needed in India, as well as greater access to renal replacement therapy. FUNDING: US National Institutes of Health, International Development Research Centre, Centre for Global Health Research, University of Toronto.
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) | 0,000 | 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 ».