The need for screening, early diagnosis, and prediction of chronic kidney disease in people with diabetes in low- and middle-income countries—a review of the current literature
Notice bibliographique
Résumé
Chronic kidney disease (CKD) in people with diabetes is becoming an increasing major public health concern, disproportionately burdening low- and middle-income countries (LMICs). This rising burden is due to various factors, including the lack of disease awareness that results in late referral and the cost of screening and consequent treatment of the comorbid conditions, as well as other factors endemic to LMICs relating to inadequate management of risk factors. We critically assessed the extant literature, by performing searches of Medline via PubMed, EBSCOhost, Scopus, and Web of Science, for studies pertaining to screening, diagnosis, and prediction of CKD amongst adults with diabetes in LMICs, using relevant key terms. The relevant studies were summarized through key themes derived from the Wilson and Jungner criteria. We found that screening for CKD in people with diabetes is generally infrequent in LMICs. Also, LMICs are ill-equipped to appropriately manage diabetes-associated CKD, especially its late stages, in which supportive care and kidney replacement therapy (KRT) might be required. There are acceptable and relatively simple tools that can aid diabetes-associated CKD screening in these countries; however, these tools come with limitations. Thus, effective implementation of diabetes-associated CKD screening in LMICs remains a challenge, and the cost-effectiveness of such an undertaking largely remains to be explored. In conclusion, for many compelling reasons, screening for CKD in people with diabetes should be a high policy priority in LMICs, as the huge cost associated with higher mortality and morbidity in this group and the cost of KRT offers a compelling economic incentive for improving early detection of diabetes in CKD.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».