Early Detection of CKD: Implications for Low-Income, Middle-Income, and High-Income Countries
Notice bibliographique
Résumé
CKD is common, costly, and associated with adverse health outcomes. Because inexpensive treatments can slow the rate of kidney function loss, and because CKD is asymptomatic until its later stages, the idea of early detection of CKD to improve outcomes ignites enthusiasm, especially in low- and middle-income countries where renal replacement is often unavailable or unaffordable. Available data and prior experience suggest that the benefits of population-based screening for CKD are uncertain; that there is potential for harms; that screening is not a wise use of resources, even in high-income countries; and that screening has substantial opportunity costs in low- and middle-income countries that offset its hypothesized benefits. In contrast, some of the factors that diminish the value of population-based screening (such as markedly higher prevalence of CKD in people with diabetes, hypertension, and cardiovascular disease, as well as high preexisting use of kidney testing in such patients) substantially increase the appeal of searching for CKD in people with known kidney risk factors (case finding) in high-income countries as well as in low- and middle-income countries. For both screening and case finding, detection of new cases is the easiest component; the real challenge is ensuring appropriate management for a chronic disease, usually for years or even decades. This review compares and contrasts the benefits, harms, and opportunity costs associated with these two approaches to early detection of CKD. We also suggest criteria (discussed separately for high-income countries and for low- and middle-income countries) to use in assessing when countries should consider case finding versus when they should consider foregoing systematic attempts at early detection and focus on management of known cases.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».