Prevalence, outcomes, and cost of chronic kidney disease in a contemporary population of 2·4 million patients from 11 countries: The CaReMe CKD study
Notice bibliographique
Résumé
Background: Digital healthcare systems data could provide insights into the global prevalence of chronic kidney disease (CKD). We designed the CaReMe CKD study to estimate the prevalence, key clinical adverse outcomes and costs of CKD across 11 countries. Methods: Individual-level data of a cohort of 2·4 million contemporaneous CKD patients was obtained from digital healthcare systems in participating countries using a pre-specified common protocol; summarized using random effects meta-analysis. CKD and its stages were defined in accordance with current Kidney Disease: Improving Global Outcomes (KDIGO) criteria. CKD was defined by laboratory values or by a diagnosis code. Findings: The pooled prevalence of possible CKD was 10·0% (95% confidence interval 8.5‒11.4; mean pooled age 75, 53% women, 38% diabetes, 60% using renin-angiotensin-aldosterone system inhibitors). Two out of three CKD patients identified by laboratory criteria did not have a corresponding CKD-specific diagnostic code. Among CKD patients identified by laboratory values, the majority (42%) were in KDIGO stage 3A; and this fraction was fairly consistent across countries. The share with CKD based on urine albumin-creatinine ratio (UACR) alone (KDIGO stages one and two) was 29%, with a substantial heterogeneity between countries. Adverse events were common; 6·5% were hospitalized for CKD or heart failure, and 6·2% died, annually. Costs for renal events and heart failure were consistently higher than costs for atherosclerotic events in CKD patients across all countries. Interpretation: We estimate that CKD is present in one out of ten adults. These individuals experience significant adverse outcomes with associated costs. The prevalence of CKD is underestimated when using diagnostic codes alone. There is considerable public health potential in diagnosing CKD and providing treatments to those currently undiagnosed. Funding: The study was sponsored by AstraZeneca.
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 | 0,011 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,010 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».