Harmonization of epidemiology of acute kidney injury and acute kidney disease produces comparable findings across four geographic populations
Notice bibliographique
Résumé
There is substantial variability in the reported incidence and outcomes of acute kidney injury (AKI). The extent to which this is attributable to differences in source populations versus methodological differences between studies is uncertain. We used 4 population-based datasets from Canada, Denmark, and the United Kingdom to measure the annual incidence and prognosis of AKI and acute kidney disease (AKD), using a homogenous analytical approach that incorporated KDIGO creatinine-based definitions and subsets of the AKI/AKD criteria. The cohorts included 7 million adults ≥18 years of age between 2011 and 2014; median age 59-68 years, 51.9-54.4% female sex. Age- and sex-standardised incidence rates for AKI or AKD were similar between regions and years; range 134.3-162.4 events/10,000 person years. Among patients who met either KDIGO 48-hour or 7-day AKI creatinine criteria, the standardised 1-year mortality was similar (30.4%-38.5%) across the cohorts, which was comparable to standardised 1-year mortality among patients who met AKI/AKD criteria using a baseline creatinine within 8-90 days prior (32.0%-37.4%). Standardised 1-year mortality was lower (21.0%-25.5% across cohorts) among patients with AKI/AKD ascertained using a baseline creatinine >90 days prior. These findings illustrate that the incidence and prognosis of AKI and AKD based on KDIGO criteria are consistent across 3 high-income countries when capture of laboratory tests is complete, creatinine-based definitions are implemented consistently within but not beyond a 90-day period, and adjustment is made for population age and sex. These approaches should be consistently applied to improve the generalizability and comparability of AKI research and clinical reporting.
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 | 0,001 | 0,004 |
| 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 | 0,001 | 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 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 ».