Acute kidney injury in the UK: a replication cohort study of the variation across three regional populations
Notice bibliographique
Résumé
OBJECTIVES: A rapid growth in the reported rates of acute kidney injury (AKI) has led to calls for greater attention and greater resources for improving care. However, the reported incidence of AKI also varies more than tenfold between previous studies. Some of this variation is likely to stem from methodological heterogeneity. This study explores the extent of cross-population variation in AKI incidence after minimising heterogeneity. DESIGN: Population-based cohort study analysing data from electronic health records from three regions in the UK through shared analysis code and harmonised methodology. SETTING: Three populations from Scotland, Wales and England covering three time periods: Grampian 2003, 2007 and 2012; Swansea 2007; and Salford 2012. PARTICIPANTS: All residents in each region, aged 15 years or older. MAIN OUTCOME MEASURES: Population incidence of AKI and AKI phenotype (severity, recovery, recurrence). Determined using shared biochemistry-based AKI episode code and standardised by age and sex. RESULTS: Respectively, crude AKI rates (per 10 000/year) were 131, 138, 139, 151 and 124 (p=0.095), and after standardisation for age and sex: 147, 151, 146, 146 and 142 (p=0.257) for Grampian 2003, 2007 and 2012; Swansea 2007; and Salford 2012. The pattern of variation in crude rates was robust to any modifications of the AKI definition. Across all populations and time periods, AKI rates increased substantially with age from ~20 to ~550 per 10 000/year among those aged <40 and ≥70 years. CONCLUSION: When harmonised methods are used and age and sex differences are accounted for, a similar high burden of AKI is consistently observed across different populations and time periods (~150 per 10 000/year). There are particularly high rates of AKI among older people. Policy-makers should be careful not draw simplistic assumptions about variation in AKI rates based on comparisons that are not rigorous in methodological terms.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».