Chronic kidney disease in low-income to middle-income countries: the case for increased screening
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Chronic kidney disease (CKD) is fast becoming a major public health issue, disproportionately burdening low-income to middle-income countries, where detection rates remain low. We critically assessed the extant literature on CKD screening in low-income to middle-income countries. We performed a PubMed search, up to September 2016, for studies on CKD screening in low-income to middle-income countries. Relevant studies were summarised through key questions derived from the Wilson and Jungner criteria. We found that low-income to middle-income countries are ill-equipped to deal with the devastating consequences of CKD, particularly the late stages of the disease. There are acceptable and relatively simple tools that can aid CKD screening in these countries. Screening should primarily include high-risk individuals (those with hypertension, type 2 diabetes, HIV infection or aged >60 years), but also extend to those with suboptimal levels of risk (eg, prediabetes and prehypertension). Since screening for hypertension, type 2 diabetes and HIV infection is already included in clinical practice guidelines in resource-poor settings, it is conceivable to couple this with simple CKD screening tests. Effective implementation of CKD screening remains a challenge, and the cost-effectiveness of such an undertaking largely remains to be explored. In conclusion, for many compelling reasons, screening for CKD should be a policy priority in low-income to middle-income countries, as early intervention is likely to be effective in reducing the high burden of morbidity and mortality from CKD. This will help health systems to achieve cost-effective prevention.
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.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle