Validation of the Klinrisk chronic kidney disease progression model in the FIDELITY population
Notice bibliographique
Résumé
ABSTRACT Background Chronic kidney disease (CKD) affects >800 million individuals worldwide and is often underrecognized. Early detection, identification and treatment can delay disease progression. Klinrisk is a proprietary CKD progression risk prediction model based on common laboratory data to predict CKD progression. We aimed to externally validate the Klinrisk model for prediction of CKD progression in FIDELITY (a prespecified pooled analysis of two finerenone phase III trials in patients with CKD and type 2 diabetes). In addition, we sought to identify evidence of an interaction between treatment and risk. Methods The validation cohort included all participants in FIDELITY up to 4 years. The primary and secondary composite outcomes included a ≥40% decrease in estimated glomerular filtration rate (eGFR) or kidney failure, and a ≥57% decrease in eGFR or kidney failure. Prediction discrimination was calculated using area under the receiver operating characteristic curve (AUC). Calibration plots were calculated by decile comparing observed with predicted risk. Results At time horizons of 2 and 4 years, 993 and 1795 patients experienced a primary outcome event, respectively. The model predicted the primary outcome accurately with an AUC of 0.81 for 2 years and 0.86 for 4 years. Calibration was appropriate at both 2 and 4 years, with Brier scores of 0.067 and 0.115, respectively. No evidence of interaction between treatment and risk was identified for the primary composite outcome (P = .31). Conclusions Our findings demonstrate the accuracy and utility of a laboratory-based prediction model for early identification of patients at the highest risk of CKD progression.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».