AWAREness of Diagnosis and Treatment of Chronic Kidney Disease in Adults With Type 2 Diabetes (AWARE-CKD in T2D)
Notice bibliographique
Résumé
OBJECTIVES: Diabetes remains the leading contributor to the development of chronic kidney disease (CKD) and end-stage kidney disease, emphasizing the urgency of identifying barriers to early diagnosis and intervention. The primary objective of this study was to describe the awareness, values and preferences of physicians and patients with respect to managing CKD among patients with type 2 diabetes (T2D). METHODS: A cross-sectional survey was conducted among physicians and adult patients with T2D and CKD based on estimated glomerular filtration rate and urine albumin-to-creatinine ratio (uACR) measured within 1 year. Physicians were recruited from email networks across Canada, excluding Alberta, and patients were recruited from LMC Diabetes and Endocrinology clinics in Ontario and Quebec. Two separate surveys were developed by a steering committee. Survey responses from 160 physicians (60 general practitioners, 50 endocrinologists and 50 nephrologists) and 169 patients were analyzed descriptively. RESULTS: Gaps in physician care included insufficient use of uACR screening, limited knowledge or use of Kidney Disease Improving Global Outcomes (KDIGO) and KidneyWise resources and lower than expected prescription of recommended therapies. The patient data showed 51.5% of patients were unaware of a CKD diagnosis, and 75.6% of patients who received a prior CKD diagnosis would have preferred an earlier diagnosis. CONCLUSIONS: The results highlight several opportunities for improving CKD in T2D management. More education and clarity are needed for physicians interpreting uACR levels that should prompt a referral to a nephrologist, and additional understanding of kidney risk progression is vital for patients.
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».