Genetics in chronic kidney disease: conclusions from a Kidney Disease: Improving Global Outcomes (KDIGO) Controversies Conference
Notice bibliographique
Résumé
Numerous genes for monogenic kidney diseases with classical patterns of inheritance, as well as genes for complex kidney diseases that manifest in combination with environmental factors, have been discovered. Genetic findings are increasingly used to inform clinical management of nephropathies, and have led to improved diagnostics, disease surveillance, choice of therapy, and family counseling. All of these steps rely on accurate interpretation of genetic data, which can be outpaced by current rates of data collection. In March of 2021, Kidney Diseases: Improving Global Outcomes (KDIGO) held a Controversies Conference on "Genetics in Chronic Kidney Disease (CKD)" to review the current state of understanding of monogenic and complex (polygenic) kidney diseases, processes for applying genetic findings in clinical medicine, and use of genomics for defining and stratifying CKD. Given the important contribution of genetic variants to CKD, practitioners with CKD patients are advised to "think genetic," which specifically involves obtaining a family history, collecting detailed information on age of CKD onset, performing clinical examination for extrarenal symptoms, and considering genetic testing. To improve the use of genetics in nephrology, meeting participants advised developing an advanced training or subspecialty track for nephrologists, crafting guidelines for testing and treatment, and educating patients, students, and practitioners. Key areas of future research, including clinical interpretation of genome variation, electronic phenotyping, global representation, kidney-specific molecular data, polygenic scores, translational epidemiology, and open data resources, were also identified.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».