Screening questions for the diagnosis of restless legs syndrome in hemodialysis
Notice bibliographique
Résumé
BACKGROUND: Restless legs syndrome (RLS) is common in end-stage renal disease and is associated with reduced health-related quality of life. Simple and accurate screening instruments are needed since RLS is underdiagnosed and treatable. We examined the operating characteristics of screening questions and a disease-specific measurement tool for the diagnosis of RLS in hemodialysis. METHODS: We conducted a cohort study of prevalent adult hemodialysis patients in Hamilton, Canada. The diagnosis of RLS was made using the 2012 Revised International Restless Legs Syndrome Study Group (IRLSSG) criteria. All participants received three screening instruments: (i) a single screening question for RLS derived from a nondialysis population; (ii) a single question from the Edmonton Symptom Assessment System (ESAS); and (iii) the IRLSSG Rating Scale (IRLS). All instruments were compared with the reference standard using logistic regression from which receiver operating characteristics curves were generated. Cutoffs associated with maximum performance were identified. RESULTS: We recruited 50 participants with a mean (SD) age of 64 (12.4) years, of whom 52% were male and 92% were on three times weekly hemodialysis. Using the reference standard, 14 (28%) had a diagnosis of RLS. The single screening question for RLS had an area under the receiver operating curve (AUROC) of 0.72 with a sensitivity of 85.7% and specificity of 58.3%. An ESAS cutoff of ≥1 had the highest AUROC at 0.65 with a sensitivity of 79% and specificity of 56%. An IRLS cutoff of ≥20 had the highest AUROC at 0.75 with a sensitivity of 71% and specificity of 81%. CONCLUSION: IRLS had better specificity than the single question or ESAS for the diagnosis of RLS.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».