Non-steroidal anti-inflammatory drugs in chronic kidney disease: a systematic review of prescription practices and use in primary care
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Chronic kidney disease (CKD) management focuses on limiting further renal injury, including avoiding nephrotoxic medications such as non-steroidal anti-inflammatory drugs (NSAIDs). We performed a systematic review to evaluate the prevalence of primary care NSAID prescribing in this population. METHODS: We systematically searched MEDLINE and Embase from inception to October 2017 for observational studies examining NSAID prescribing practices or use in CKD patients in a primary care setting. The methodological quality of included studies was assessed independently by two authors using a modified version of the Agency for Healthcare Research and Quality's Methodological Evaluation of Observational Research checklist. RESULTS: Our search generated 8055 potentially relevant publications, 304 of which were retrieved for full-text review. A total of 14 studies from 13 publications met our inclusion criteria. There were eight cohort and three cross-sectional studies, two quality improvement intervention studies and one prospective survey, representing a total of 49 209 CKD patients. Cross-sectional point prevalence of NSAID use in CKD patients ranged from 8 to 21%. Annual period prevalence rates ranged from 3 to 33%. Meta-analysis was not performed due to important clinical heterogeneity across study populations. CONCLUSIONS: Evidence suggests that NSAID prescriptions/use in primary care among patients with CKD is variable and relatively high. Future research should explore reasons for this to better focus knowledge translation interventions aimed at reducing NSAID use in this patient 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.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 découle