Temporal and Demographic Trends in Glomerular Disease Epidemiology in the Southeastern United States, 1986–2015
Notice bibliographique
Résumé
Background and objectives Large-scale, contemporary studies exploring glomerular disease epidemiology in the United States are lacking. We aimed to determine 30-year temporal and demographic trends in renal biopsy glomerular disease diagnosis frequencies in the southeastern United States. Design, setting, participants, & measurements In this cross-sectional, observational study, we identified all patients with a native kidney biopsy specimen showing one of 18 widely recognized glomerular disease diagnoses referred to the University of North Carolina Chapel Hill Division of Nephropathology between 1986 and 2015. Biopsy era (1986–1995, 1996–2005, and 2006–2015) and demographics (age, sex, and race) were our primary and secondary predictors, respectively, and the relative frequency of each glomerular disease diagnosis was our primary outcome. Results Among 21,374 patients (mean age =48.3±18.3 years old; 50.8% men; 56.8% white; 38.3% black; 2.8% Latino; 1.4% Asian; 0.8% other), the frequency of diabetic glomerulosclerosis in renal biopsy specimens increased dramatically over the three decades (5.5%, 11.4%, and 19.1% of diagnoses, respectively; P for trend <0.001). The frequency of FSGS initially increased but then declined (22.6%, 27.2%, and 24.7%, respectively; P for trend =0.64). The frequencies of other common glomerular disease subtypes remained stable (IgA nephropathy and ANCA/pauci-immune GN) or declined (minimal change disease, membranous nephropathy, membranoproliferative GN, and lupus nephritis). These temporal trends were largely preserved within all demographic subgroups, although cross-sectional frequency distributions differed according to age, sex, and race. Conclusions We identified significant changes in relative renal biopsy frequencies of many glomerular disease subtypes over three decades. Temporal trends were consistently observed within all major demographic groups, although relative predominance of individual glomerular disease subtypes differed according to patient age, sex, and race. We propose that exploration of behavioral and environmental exposures that likely underlie these findings should be the focus of future hypothesis-driven research.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| 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 ».