A Health Survey–Based Prediction Equation for Incident CKD
Notice bibliographique
Résumé
BACKGROUND: Prediction tools that incorporate self-reported health information could increase CKD awareness, identify modifiable lifestyle risk factors, and prevent disease. We developed and validated a survey-based prediction equation to identify individuals at risk for incident CKD (eGFR <60 ml/min per 1.73 m2), with and without a baseline eGFR. METHODS: A cohort of adults with an eGFR ≥70 ml/min per 1.73 m2 from Ontario, Canada, who completed a comprehensive general population health survey between 2000 and 2015 were included (n=22,200). Prediction equations included demographics (age, sex), comorbidities, lifestyle factors, diet, and mood. Models with and without baseline eGFR were derived and externally validated in the UK Biobank (n=15,522). New-onset CKD (eGFR <60 ml/min per 1.73 m2) with ≤8 years of follow-up was the primary outcome. RESULTS: Among Ontario individuals (mean age, 55 years; 58% women; baseline eGFR, 95 (SD 15) ml/min per 1.73 m2), new-onset CKD occurred in 1981 (9%) during a median follow-up time of 4.2 years. The final models included lifestyle factors (smoking, alcohol, physical activity) and comorbid illnesses (diabetes, hypertension, cancer). The model was discriminating in individuals with and without a baseline eGFR measure (5-year c-statistic with baseline eGFR: 83.5, 95% confidence interval [CI], 82.2 to 84.9; without: 81.0, 95% CI, 79.8 to 82.4) and well calibrated. In external validation, the 5-year c-statistic was 78.1 (95% CI, 74.2 to 82.0) and 66.0 (95% CI, 61.6 to 70.4), with and without baseline eGFR, respectively, and maintained calibration. CONCLUSIONS: Self-reported lifestyle and health behavior information from health surveys may aid in predicting incident CKD. PODCAST: This article contains a podcast at https://dts.podtrac.com/redirect.mp3/www.asn-online.org/media/podcast.aspx?p=CJASN&e=2023_01_10_CJN05650522.mp3.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».