The Prevalence of CKD in Australian Primary Care: Analysis of a National General Practice Dataset
Notice bibliographique
Résumé
Introduction: The prevalence of chronic kidney disease (CKD) in Australia varies substantially across reports. Using a large, nationally representative general practice data source, we determined the contemporary prevalence and staging of CKD in the Australian primary care. Methods: We performed a retrospective, community-based observational study of 2,720,529 adults with ≥1 visit to a general practice participating in the MedicineInsight program and ≥1 serum creatinine measurement (with or without a urine albumin-to-creatinine ratio [UACR] measurement) between 2011 and 2020. CKD prevalence was estimated using 3 definitions based on estimated glomerular filtration rate (eGFR) and UACR measurements with varying degrees of rigidity in terms of the number of measurements assessed to define CKD ("least", "moderate" and "most" rigid). Results: CKD prevalence in the cohort progressively increased over the 10-year study period, irrespective of the method used to define CKD. In 2020, CKD prevalence in the cohort was 8.4%, 4.7%, and 3.1% using the least, moderate, and most rigid definition, respectively. The number of patients with UACR measurements was low such that, among those with CKD in 2020, only 3.8%, 3.2%, and 1.5%, respectively, had both eGFR and UACR measurements available in the corresponding year. Patients in whom both eGFR and UACR measurements were available mostly had moderate or high risk of CKD progression (83.6%, 80.6%, and 76.2%, respectively). Conclusion: In this large, nationally representative study, we observed an increasing trend in CKD prevalence in primary care settings in Australia. Most patients with CKD were at moderate to high risk of CKD progression. These findings highlight the need for early detection and effective management to slow progression of 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».