A Population-Based Analysis of Quality Indicators in CKD
Notice bibliographique
Résumé
Background and objectives Awareness of CKD remains low in comparison with other chronic diseases, such as diabetes, leading to low use of preventive medications and appropriate testing. The objective of this study was to evaluate the quality of care provided to people with and at risk of CKD. Design, setting, participants, & measurements We conducted a population-based analysis of all Albertans with eGFR=15–59 ml/min per 1.73 m 2 between April 1, 2011 and March 31, 2012 as well as patients with diabetes (as of March 31, 2012). We assessed multiple quality indicators in people with eGFR=15–59 ml/min per 1.73 m 2 , including appropriate risk stratification with albuminuria testing and preventive medication use and screened people with diabetes using urine albumin-to-creatinine ratio and serum creatinine measurements. Results Among 96,480 adults with eGFR=15–59 ml/min per 1.73 m 2 , we found that 17.0% of those without diabetes were appropriately risk stratified with a measure of albuminuria compared with 64.2% of those with diabetes ( P <0.001). Of those with eGFR=15–59 ml/min per 1.73 m 2 and moderate or severe albuminuria, 63.2% of those without diabetes received an angiotensin-converting enzyme inhibitor or an angiotensin receptor blocker compared with 82.1% in those with diabetes ( P <0.001). Statin use was also significantly lower in patients with eGFR=15–59 ml/min per 1.73 m 2 without diabetes (39.2%) compared with those with diabetes (64.6%; P <0.001). Among 235,649 adults with diabetes, only 41.8% received a urine albumin-to-creatinine ratio and 73.2% received a serum creatinine measurement over 1 year. Conclusions We identified large gaps in care, especially in those with CKD but no diabetes. The largest gap was in the prescription of guideline-concordant medication in those with CKD as well as appropriate screening for albuminuria in those with diabetes. Our work illustrates the importance of measuring health system performance as the first step in a quality improvement process to improve care and outcomes in CKD.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».