The Use of Putative Dialysis Initiation Time in Comparative Outcomes of Patients with Advanced Chronic Kidney Disease: Methodological Aspects
Notice bibliographique
Résumé
The latest data from the United States Renal Data Systems show over 134,000 individuals with end-stage kidney disease (ESKD) starting dialysis in the year 2019. ESKD patients on dialysis, the default treatment strategy, have high mortality and hospitalization, especially in the first year of dialysis. An alternative treatment strategy is (non-dialysis) conservative management (CM). The relative effectiveness of CM with respect to various patient outcomes, including survival, hospitalization, and health-related quality of life among others, especially in elderly ESKD or advanced chronic kidney disease patients with serious comorbidities, is an active area of research. A technical challenge inherent in comparing patient outcomes between CM and dialysis patient groups is that the start of follow-up time is "not defined" for patients on CM because they do not initiate dialysis. One solution is the use of putative dialysis initiation (PDI) time. In this work, we examine the validity of the use of PDI time to determine the start of follow-up for longitudinal retrospective and prospective cohort studies involving CM. We propose and assess the efficacy of estimating PDI time using linear mixed effects model of kidney function decline over time via simulation studies. We also illustrate how the estimated PDI time can be used to effectively estimate the survival distribution.
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 | 0,276 | 0,486 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,007 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,005 | 0,004 |
| 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».