Development and Validation of Prediction Models of Adverse Kidney Outcomes in the Population With and Without Diabetes
Notice bibliographique
Résumé
OBJECTIVE: To predict adverse kidney outcomes for use in optimizing medical management and clinical trial design. RESEARCH DESIGN AND METHODS: In this meta-analysis of individual participant data, 43 cohorts (N = 1,621,817) from research studies, electronic medical records, and clinical trials with global representation were separated into development and validation cohorts. Models were developed and validated within strata of diabetes mellitus (presence or absence) and estimated glomerular filtration rate (eGFR; ≥60 or <60 mL/min/1.73 m2) to predict a composite of ≥40% decline in eGFR or kidney failure (i.e., receipt of kidney replacement therapy) over 2-3 years. RESULTS: There were 17,399 and 24,591 events in development and validation cohorts, respectively. Models predicting ≥40% eGFR decline or kidney failure incorporated age, sex, eGFR, albuminuria, systolic blood pressure, antihypertensive medication use, history of heart failure, coronary heart disease, atrial fibrillation, smoking status, and BMI, and, in those with diabetes, hemoglobin A1c, insulin use, and oral diabetes medication use. The median C-statistic was 0.774 (interquartile range [IQR] = 0.753, 0.782) in the diabetes and higher-eGFR validation cohorts; 0.769 (IQR = 0.758, 0.808) in the diabetes and lower-eGFR validation cohorts; 0.740 (IQR = 0.717, 0.763) in the no diabetes and higher-eGFR validation cohorts; and 0.750 (IQR = 0.731, 0.785) in the no diabetes and lower-eGFR validation cohorts. Incorporating the previous 2-year eGFR slope minimally improved model performance, and then only in the higher-eGFR cohorts. CONCLUSIONS: Novel prediction equations for a decline of ≥40% in eGFR can be applied successfully for use in the general population in persons with and without diabetes with higher or lower eGFR.
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 | 0,134 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,014 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».