Sex differences in chronic kidney disease prevalence in Asia: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Previous reports on the prevalence of chronic kidney disease (CKD) in Asia have suggested important sex disparities but have been inconsistent in nature. We sought to synthesize available sex-disaggregated CKD prevalence data in Asia to quantify sex disparities in the region. Methods: We systematically searched MEDLINE and Embase for observational studies involving ≥500 adults who reported sex-disaggregated CKD prevalence data in any of the 26 countries in East, Southeast and South Asia. For each study we calculated the female:male prevalence ratio (PR), with a ratio >1 indicating a higher female prevalence. For each country, log-transformed PRs were pooled using random effects meta-analysis. These were then combined using a fixed effects model, weighting by population size, to estimate a pooled PR for each of East, Southeast and South Asia and Asia overall. Results: Sex-disaggregated data were available from 171 cohorts, spanning 15 countries and comprising 2 550 169 females and 2 595 299 males. Most studies (75.4%) came from East Asia (China, Taiwan, Japan and South Korea). Across Asia, CKD prevalence was higher in females {pooled prevalence 13.0% [95% confidence interval (CI) 11.3-14.9]} compared with males [pooled prevalence 12.1% (95% CI 10.3-14.1)], with a pooled PR of 1.07 (95% CI 0.99-1.17). Substantial heterogeneity was observed between countries. The pooled PRs for East, Southeast and South Asia were 1.11 (95% CI 1.02-1.21), 1.09 (0.88-1.36) and 1.03 (0.87-1.22), respectively. Conclusions: Current evidence suggests considerable between-country and -region heterogeneity in the female:male PR of CKD. However, there remains a large part of the region where data on sex-specific CKD prevalence are absent or limited. Country-level assessment of the differential burden of CKD in females and males is needed to define locally relevant policies that address the needs of both sexes.
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 | 0,013 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,033 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».