Spectrum of chronic kidney disease in China: A national study based on hospitalized patients from 2010 to 2015
Notice bibliographique
Résumé
AIM: To investigate the spectrum of chronic kidney disease (CKD) in China. METHODS: We used a large national in-patient database covering 878 class three hospitals and involving 64.7 million adult patients in China from 2010 to 2015. The class 3 hospital in China is ranked as the top tier of medical system in China with at least 500 beds and the accreditation from health authorities. The specific causes of CKD were extracted from the International Classification of Diseases-10 codes of discharge diagnoses. RESULTS: A total of 4.5% of hospitalized patients (1.8 million) were identified as CKD, with an increased percentage from 2010 (3.7%) to 2015 (4.7%). Increasing trends of diabetic kidney disease and hypertensive nephropathy were observed from 2010 to 2015 (19.5% vs 24.3% and 11.5% vs 15.9%, respectively), especially for urban residents from north China. The proportion of obstructive nephropathy also increased gradually (10.3% in 2010 vs 15.6% in 2015) and constituted another important cause of CKD for patients, especially for those from south China and rural residents. CONCLUSION: The spectrum of CKD is changing in China, with variations over time and geographic regions, which has implication regarding developing the prevention strategy of 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».