Practical Utilization of Prediction Equations in Chronic Kidney Disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Chronic kidney disease (CKD) is common and can lead to kidney failure, cardiovascular complications, and early mortality. While nephrologists can provide valuable insights for patients at all stages of CKD, these scarce resources should be targeted at patients with the highest risk of progression and adverse outcomes. Prediction models are tools that can help providers risk stratify patients if they are effectively implemented into the clinical workflow. We believe these equations should demonstrate (1) clinical utility: where they can provide useful information to the physician and patients; and (2) clinical usability: where they are able to be easily integrated into clinical workflow and do not result in unnecessary costs or visits. CKD often remains unrecognized until later stages when a large window of opportunity to delay progression has already passed. Models to determine progression of CKD using thresholds such as a 40% decline in eGFR can provide clinical utility in risk stratifying patients at all stages of CKD, an endpoint that has been recommended by the FDA for the evaluation of drug approvals for disease-modifying therapies. For patients at more advanced stages of CKD with a greater risk of kidney failure, tools such as the kidney failure risk equation can be implemented to help guide most costly decisions, such as referral to multidisciplinary care, commencing dialysis modality education, or planning for vascular access placement surgery. In addition, models focused on determining outcomes following dialysis initiation can help inform shared decision-making between patient and provider to better inform decisions around conservative care. To ensure widespread adoption of these tools, it is important to ensure that they are broadly generalizable to many health settings and easily implemented into existing clinic workflows with minimum disruption.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 découle