MétaCan
Menu
Retour à la cohorte
Enregistrement W3092901132 · doi:10.1016/j.eclinm.2020.100552

Incorporating kidney disease measures into cardiovascular risk prediction: Development and validation in 9 million adults from 72 datasets

2020· article· en· W3092901132 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueEClinicalMedicine · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Kidney Disease and Diabetes
Établissements canadiensSunnybrook HospitalUniversity of Toronto
Organismes subventionnairesKidney Research UKNational Institute of Diabetes and Digestive and Kidney DiseasesNational Institute for Health and Care Research
Mots-clésMedicineAlbuminuriaKidney diseaseHazard ratioRenal functionInternal medicineFramingham Risk ScoreCohortRisk assessmentDiseaseConfidence interval

Résumé

récupéré en direct d'OpenAlex

BackgroundChronic kidney disease (CKD) measures (estimated glomerular filtration rate [eGFR] and albuminuria) are frequently assessed in clinical practice and improve the prediction of incident cardiovascular disease (CVD), yet most major clinical guidelines do not have a standardized approach for incorporating these measures into CVD risk prediction. “CKD Patch” is a validated method to calibrate and improve the predicted risk from established equations according to CKD measures.MethodsUtilizing data from 4,143,535 adults from 35 datasets, we developed several “CKD Patches” incorporating eGFR and albuminuria, to enhance prediction of risk of atherosclerotic CVD (ASCVD) by the Pooled Cohort Equation (PCE) and CVD mortality by Systematic COronary Risk Evaluation (SCORE). The risk enhancement by CKD Patch was determined by the deviation between individual CKD measures and the values expected from their traditional CVD risk factors and the hazard ratios for eGFR and albuminuria. We then validated this approach among 4,932,824 adults from 37 independent datasets, comparing the original PCE and SCORE equations (recalibrated in each dataset) to those with addition of CKD Patch.FindingsWe confirmed the prediction improvement with the CKD Patch for CVD mortality beyond SCORE and ASCVD beyond PCE in validation datasets (Δc-statistic 0.027 [95% CI 0.018–0.036] and 0.010 [0.007–0.013] and categorical net reclassification improvement 0.080 [0.032–0.127] and 0.056 [0.044–0.067], respectively). The median (IQI) of the ratio of predicted risk for CVD mortality with CKD Patch vs. the original prediction with SCORE was 2.64 (1.89–3.40) in very high-risk CKD (e.g., eGFR 30–44 ml/min/1.73m2 with albuminuria ≥30 mg/g), 1.86 (1.48–2.44) in high-risk CKD (e.g., eGFR 45–59 ml/min/1.73m2 with albuminuria 30–299 mg/g), and 1.37 (1.14–1.69) in moderate risk CKD (e.g., eGFR 60–89 ml/min/1.73m2 with albuminuria 30–299 mg/g), indicating considerable risk underestimation in CKD with SCORE. The corresponding estimates for ASCVD with PCE were 1.55 (1.37–1.81), 1.24 (1.10–1.54), and 1.21 (0.98–1.46).InterpretationThe “CKD Patch” can be used to quantitatively enhance ASCVD and CVD mortality risk prediction equations recommended in major US and European guidelines according to CKD measures, when available.FundingUS National Kidney Foundation and the NIDDK.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,080
Score d'incertitude au seuil0,901

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,275
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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