THE CHRONIC KIDNEY DISEASE IN AFRICA (CKD-AFRICA) COLLABORATION: A NEW PAN-AFRICAN NETWORK
Notice bibliographique
Résumé
Objective: Evidence points to an increasing prevalence of chronic kidney disease (CKD) across Africa, particularly in high-risk groups, like those with hypertension, diabetes, and HIV. However, there has not been a concerted, Africa-wide, effort to provide estimates to inform health services planning and policy development to address CKD. The CKD-Africa Collaboration seeks to fill this gap by collating data, at individual participant data (IPD) level, from African studies. The main aims of this platform are, (1) to utilize the available data from relevant prevalence studies of CKD, to provide updated and comprehensive syntheses on the burden of CKD in Africa, and (2) to link investigators in the field of CKD epidemiology and prevention, by providing a platform to plan future observational and interventional studies on CKD in Africa. Design and method: Establishing the CKD-Africa Collaboration followed a stepwise approach, through the identification of data sources, developing the database platform, and acquiring and processing participant-level data. Inclusion criteria: 1) observational study with primary data; 2) ethical approval; 3) minimum sample size of 300 participants and 4) participants of African descent residing in Africa. Results: To date, we have curated data from 42 studies conducted in 12 African countries, with a total of 37,842 participants (Fig.). The sample sizes ranges between 300 and 2,543 per study, with adults aged 18 to 100 years. In 36% of the studies data collection took place before 2010, with the remaining 64% sampled between 2010 and 2017. Overall, 74.6% of the IPD were sampled from the general population, with CKD prevalence estimates ranging from 1% to 22%. The remaining IPD were from high-risk populations, including people with hypertension, diabetes, HIV, and first-degree relatives of people with CKD. All studies used serum creatinine to estimate glomerular filtration rate, with 85.7% of these studies employing the Jaffe method. fx155 Conclusions: This network has far-reaching potential for Africa, as it is in an ideal position to test hypotheses and compare findings across geographical and national boundaries, and to generate a new understanding of CKD progression and its complications in this under-researched context.
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 | 0,064 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».