Evaluating the Impact and Rationale of Race-Specific Estimations of Kidney Function: Estimations from U.S. NHANES, 2015-2018
Notice bibliographique
Résumé
BACKGROUND: guide kidney disease management. Racialized adjustment of eGFR in Black Americans may thereby affect their clinical care. In this study, we analyze and extrapolate national data to assess potential impacts of the eGFR race adjustment on qualification for kidney disease diagnosis, nephrologist referral, and transplantation listing. METHODS: Using population-representative cross-sectional data from the United States National Health and Nutrition Examination Survey (NHANES) from 2015-2018, eGFR values for Black Americans were calculated using the Modification of Diet in Renal Disease (MDRD) equation with and without the 1.21 race-specific coefficient using cohort data on age, sex, race, and serum creatinine. FINDINGS: Without the MDRD eGFR race adjustment, 3.3 million (10.4%) more Black Americans would reach a diagnostic threshold for Stage 3 Chronic Kidney Disease, 300,000 (0.7%) more would qualify for beneficial nephrologist referral, and 31,000 (0.1%) more would become eligible for transplant evaluation and waitlist inclusion. INTERPRETATION: These findings suggest eGFR race coefficients may contribute to racial differences in the management of kidney. We provide recommendations for addressing this issue at institutional and individual levels. FUNDING: No external funding was received for this study.
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 | 0,027 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».