Prevalence, socio-demographic characteristics, and comorbid health conditions in pre-dialysis chronic kidney disease: results from the Manitoba chronic kidney disease cohort
Notice bibliographique
Résumé
BACKGROUND: Chronic Kidney Disease (CKD) is common and its prevalence has increased steadily over several decades. Monitoring of rates and severity of CKD across populations is critical for policy development and resource planning. Administrative health data alone has insufficient sensitivity for this purpose, therefore utilizing population level laboratory data and novel methodology is required for population-based surveillance. The aims of this study include a) develop the Manitoba CKD Cohort, b) estimate CKD prevalence, c) identify individuals at high risk of progression to kidney failure and d) determine rates of comorbid health conditions. METHODS: Administrative health and laboratory data from April 1996 to March 2012 were linked from the data repository at the Manitoba Centre for Health Policy. Prevalence was estimated using three methods: a) all CKD cases in administrative and laboratory databases; b) all CKD cases captured only through the laboratory data; c) and the capture-recapture method. Patients were stratified by risk by estimated Glomerular Filtration Rate (eGFR) and albuminuria based on Kidney Disease Improving Global Outcomes (KDIGO) criteria. For comorbid health conditions, the counts were modelled using a Generalized Linear Model (GLM). RESULTS: The Manitoba CKD Cohort consisted of 55,876 people with CKD. Of these, 18,342 were identified using administrative health data, 27,393 with laboratory data, and 10,141 people were identified in both databases. The CKD prevalence was 5.6% using the standard definition, 10.6% using only people captured by the laboratory data and 10.6% using the capture-recapture method. Of the identified cases, 46% were at high risk of progression to end-stage kidney disease (ESKD), 41% were at low risk and 13% were not classified, due to unavailable laboratory data. High risk cases had a higher burden of comorbid conditions. CONCLUSION: This study reports a novel methodology for population based CKD surveillance utilizing a combination of administrative health and laboratory data. High rates of CKD at risk of progression to ESKD have been identified with this approach. Given the high rates of comorbidity and associated healthcare costs, these data can be used to develop a targeted and comprehensive public health surveillance strategy that encompass a range of interrelated chronic diseases.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».