The Etiology of Advanced Chronic Kidney Disease in Southeast Asia: A Meta-analysis
Notice bibliographique
Résumé
INTRODUCTION: Chronic kidney disease (CKD) etiology varies greatly between developed and developing countries. In addition, differences in underlying pathogenesis and therapeutic options affect the progression towards advanced-CKD. This meta-analysis aims to identify the etiology of advanced-CKD in Southeast Asia. METHODS: A systematic search in four electronic-databases and complementary search on national kidney registries and repository libraries was conducted until July 20, 2023. The risk of bias was assessed using Newcastle-Ottawa Scale for observational studies and Version-2 of Cochrane for intervention studies. A random-effects model was used to estimate pooled prevalence. The protocol is registered in the International Prospective Register of Systematic Reviews PROSPERO; Registration ID:CRD42022300786. RESULTS: We analyzed 81 studies involving 32,834 subjects. The pooled prevalence of advanced-CKD etiologies are diabetic kidney disease (DKD) 29.2% (95%CI 23.88-34.78), glomerulonephritis 20.0% (95%CI 16.84-23.38), hypertension 16.8% (95%CI 14.05-19.70), other 8.6% (95%CI 6.97-10.47), unknown 7.5% (95%CI 4.32-11.50), and polycystic kidney disease 0.7% (95%CI 0.40-1.16). We found a significant increase in DKD prevalence from 21% (9.2%, 95%CI 0.00-33.01) to 30% (95%CI 24.59-35.97) before and after the year 2000. Among upper-middle-income and high-income countries, DKD is the most prevalent (26.8%, 95%CI 21.42-32.60 and 38.9%, 95%CI 29.33-48.79, respectively), while glomerulonephritis is common in lower-middle-income countries (33.8%, 95%CI 15.62-54.81). CONCLUSION: The leading cause of advanced-CKD in Southeast Asia is DKD, with a substantial proportion of glomerulonephritis. An efficient screening program targeting high-risk populations (diabetes mellitus and glomerulonephritis) is needed, with the aim to delay 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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,004 |
| 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 | 0,001 |
| 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 ».