Comparing five comorbidity indices to predict mortality in chronic kidney disease
Notice bibliographique
Résumé
IntroductionMany reports which use healthcare databases adjust the results for patient comorbidity. Several different indices were developed in the general population to summarize patient comorbidity. How well these indices predict one-year all-cause mortality in individuals with chronic kidney disease (CKD) is not well known.
 Objectives and ApproachWe accrued three groups of patients in Ontario, Canada between the years 2004 and 2014, at the time they first received a kidney transplant, received maintenance dialysis, or were confirmed to have an estimated glomerular filtration rate (eGFR) less than 45 mL/min per 1.73 m2. We compared five comorbidity indices: Charlson comorbidity index, end-stage renal disease-modified Charlson comorbidity index, Johns Hopkins’ Aggregated Diagnosis Groups score, Elixhauser score, and Wright-Khan index. Each group was randomly divided 100 times into derivation and validation samples. Model discrimination was assessed using median c-statistics from logistic regression models, and calibration was evaluated graphically using calibration plots.
 ResultsWe identified 4,111 kidney transplant recipients, 23,897 individuals receiving maintenance dialysis, and 181,425 individuals with moderate CKD. Within one year, 108 (2.6%), 4,179 (17.5%), and 17,898 (9.9%) in each group had died, respectively. In the validation sample, model discrimination was inadequate for all five comorbidity indices, with median c-statistics less than 0.7 for all three groups. Calibration was also poor for all models.
 Conclusion/ImplicationsExisting comorbidity indices do not accurately predict one-year mortality in patients with CKD. Current indices could be modified with additional risk factors to improve their performance in CKD, or a new index could be developed for this population.
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 | 0,001 | 0,001 |
| 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 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».