Dépistage de la maladie rénale chronique en population générale dans une ville africaine en 2022
Notice bibliographique
Résumé
La maladie rénale chronique (MRC) est fréquente chez les personnes vivant en Afrique subsaharienne en raison de la confluence des facteurs de risque de la MRC et de la prédisposition génétique. La stratégie préventive par détection de la MRC est donc recommandée dans ce contexte africain. Il s’agit d’une enquête de masse en population générale. Nous avons organisé une campagne de dépistage de l’hypertension artérielle, le diabète et la maladie rénale chronique à l’occasion de la journée mondiale du Rein 2022 dans une ville africaine. Des données sociodémographiques ainsi que le poids, la taille, l’indice de masse corporelle (IMC) et la tension artérielle ont été renseignés sur une feuille. Des échantillons d’urine ont été prélevés et testés pour la protéinurie et l’hématurie à l’aide d’une bandelette réactive. La glycémie veineuse a été mesurée avec un glucomètre. Nous avons dépisté 1029 volontaires. L’âge moyen était de 39 ans. Les hommes constituaient 52,7 % de la population dépistée. Les répondants n’avaient pas de sources de revenus dans 44 %. L’hypertension artérielle était connue dans 14,7 %. La mesure de la pression artérielle objectivait des chiffres tensionnels élevés chez 23,7 % des participants. Nos participants présentaient une glycémie supérieure à 1,26 g/L dans 9 % des cas. À la bandelette urinaire, on avait 21 % de protéinurie à une croix et plus et 23,7 % d’hématurie. Les participants porteurs d’une comorbidité connue étaient classés malades et représentaient 71,1 % des cas. Ceux identifiés comme malades étaient plus âgés (p = 0,0048), avaient des chiffres tensionnels plus élevés (p = 0,03), souffraient plus d’obésité (p = 0,002). Un adulte sur cinq présente un bio-marqueur de la MRC dans la population générale. Il importe des investigations complémentaires au moyen de sources de données appropriées.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».