The case for early identification and intervention of chronic kidney disease: conclusions from a Kidney Disease: Improving Global Outcomes (KDIGO) Controversies Conference
Notice bibliographique
Résumé
Chronic kidney disease (CKD) causes substantial global morbidity and increases cardiovascular and all-cause mortality. Unlike other chronic diseases with established strategies for screening, there has been no consensus on whether health systems and governments should prioritize early identification and intervention for CKD. Guidelines on evaluating and managing early CKD are available but have not been universally adopted in the absence of incentives or quality measures for prioritizing CKD care. The burden of CKD falls disproportionately upon persons with lower socioeconomic status, who have a higher prevalence of CKD, limited access to treatment, and poorer outcomes. Therefore, identifying and treating CKD at the earliest stages is an equity imperative. In 2019, Kidney Disease: Improving Global Outcomes (KDIGO) held a controversies conference entitled "Early Identification and Intervention in CKD." Participants identified strategies for screening, risk stratification, and treatment for early CKD and the key health system and economic factors for implementing these processes. A consensus emerged that CKD screening coupled with risk stratification and treatment should be implemented immediately for high-risk persons and that this should ideally occur in primary or community care settings with tailoring to the local context.
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 | 0,075 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,013 | 0,020 |
| Science ouverte | 0,007 | 0,011 |
| Intégrité de la recherche | 0,040 | 0,072 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,005 |
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 ».