Comparison of Two Creatinine Based Equations for Routine Estimation of GFR in a Speciality Clinic for Diabetes.
Notice bibliographique
Résumé
OBJECTIVE: To compare the bias, absolute bias, precision and accuracies between the equations, viz., CKD-EPI (Scr), CKD-EPI (Scys) and MDRD in Indian patients with type 2 diabetes. METHODS: 198 patients who underwent 24 h urinary collection for assessing kidney function between November 2014-January 2015 were included. Cohen's κ coefficient, Bland-Altman plot were calculated between estimated kidney function equations, and bias, precision, accuracies was calculated between the formulae. RESULTS: The mean eGFR based on MDRD, CKD-EPI (Scr) and CKD-EPI (Scys) equations were 64.5±21.9, 70.2±25.1 and 74.7±31.0 ml/min/ 1.73m2 respectively. The overall mean absolute bias was smallest for MDRD vs CKD EPI (Scr). The precision was also least for MDRD vs CKD EPI (Scr) indicating that the agreement between these equations is consistent for the range of values. MDRD vs CKD EPI (Scr) had the highest accuracy in comparison to other compared formula. The performance between MDRD versus CKD EPI (Scys) was different. There was a good agreement between MDRD and CKD EPI (Scr).in both stage 3 and stage 4 CKD. The MDRD vs CKD EPI (Scr) classified 72.2% of the patients correctly. CONCLUSIONS: In conclusion, there was a good agreement between CKD-EPI (Scr) and MDRD equations. CKD-EPI equation based on creatinine estimation is widely accepted method and clinicians may use this equation in routine clinical practice to assess kidney function among patients with type 2 diabetes.
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 | 0,015 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».