Prevalence-Based Targets Underestimate Home Dialysis Program Activity and Requirements for Growth
Notice bibliographique
Résumé
BACKGROUND: Many renal programs have targets to increase home dialysis prevalence. Data from a large Canadian home dialysis program were analyzed to determine if home dialysis prevalence accurately reflects program activity and whether prevalence-based assessments adequately reflect the work required for program growth. METHODS: Data from home dialysis programs in British Columbia, Canada, were analyzed from 2005 to 2015. Prevalence data were compared to dialysis activity data including intakes and exits to describe program turnover. Using current attrition rates, recruitment rates needed to increase home dialysis prevalence proportions were identified. RESULTS: We analyzed 7,746 patient-years of peritoneal dialysis (PD) and 1,362 patient-years of home hemodialysis (HHD). The proportion of patients on home dialysis increased by 3.34% over the ten years examined, while the number of prevalent home dialysis patients increased 2.65% per year and the number of patients receiving home dialysis at any time in the year increased 4.04% per year. For every 1 patient net home dialysis growth, 13.6 new patients were recruited. Patient turnover included higher rates of transplantation in home dialysis than facility-based HD. Overall, the proportion dialyzing at home increased from 29.3 to 32.6%. CONCLUSIONS: There is high patient turnover in home dialysis such that program prevalence is an incomplete marker of total program activity. This turnover includes high rates of transplantation, which is a desirable interaction that affects home dialysis prevalence. The shortcomings of this commonly used metric are important for renal programs to consider, and better understanding of the activities that support home dialysis and the complex trajectories that home dialysis patients follow is needed.
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 | 0,000 | 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 ».