Cardiovascular outcome trials in patients with chronic kidney disease: challenges associated with selection of patients and endpoints
Notice bibliographique
Résumé
Although cardiovascular disease is a major health burden for patients with chronic kidney disease, most cardiovascular outcome trials have excluded patients with advanced chronic kidney disease. Moreover, the major cardiovascular outcome trials that have been conducted in patients with end-stage renal disease have not demonstrated a treatment benefit. Thus, clinicians have limited evidence to guide the management of cardiovascular disease in patients with chronic kidney disease, particularly those on dialysis. Several factors contribute to both the paucity of trials and the apparent lack of observed treatment effect in completed studies. Challenges associated with conducting trials in this population include patient heterogeneity, complexity of renal pathophysiology and its interaction with cardiovascular disease, and competing risks for death. The Investigator Network Initiative Cardiovascular and Renal Clinical Trialists (INI-CRCT), an international organization of academic cardiovascular and renal clinical trialists, held a meeting of regulators and experts in nephrology, cardiology, and clinical trial methodology. The group identified several research priorities, summarized in this paper, that should be pursued to advance the field towards achieving improved cardiovascular outcomes for these patients. Cardiovascular and renal clinical trialists must partner to address the uncertainties in the field through collaborative research and design clinical trials that reflect the specific needs of the chronic and end-stage kidney disease populations, with the shared goal of generating robust evidence to guide the management of cardiovascular disease in patients with kidney disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».