Early Identification of CKD—A Scoping Review of the Global Populations
Notice bibliographique
Résumé
Introduction: Decisions on whether to screen for chronic kidney disease (CKD) or not remain contentious in nephrology. This study provides a global overview of early CKD identification efforts. Methods: Guidelines for scoping reviews were followed and studies were identified by searching MEDLINE, EMBASE, Cochrane Library, CINAHL, ISI Web of Science, and PsycINFO. Data extracted from included studies focused on the following 4 themes: study population, measurement methods, interventions used, and available policies. Results: We identified 290 CKD screening and detection programs from 83 countries. Overall sample size was 3.72 million (North East Asia: 1.19 million), detection of CKD was the aim in 97.6%, 63.1% used population-based screening methods, and only 12.4% were in rural populations. Reported CKD prevalence (stages 3-5) was higher in targeted- (14.8%) than population-based studies (8.0%). Number of persons needed to screen (NNS) to identify 1 case was also lower in targeted studies (7 vs. 13). Single measurements (80%) and the combination of estimation of glomerular filtration rate with a urine test (albuminuria/proteinuria) (71.4%) were frequently used to detect CKD. Only 2.8% of studies included an intervention such as pharmacotherapy in identified cases. Policies on early identification were available in 30.1% of countries included. Conclusion: Methods for early CKD identification vary worldwide, often leading to wide variations in the reported prevalence. Efforts to standardize measurement methods for early detection focusing on high-risk populations and ensuring appropriate interventions are available to those identified with CKD will improve the value of programs and improve patient outcomes.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».