A Prediction Equation for Incident CKD Using Routinely Collected Data: The Kidney Disease Risk Equation (KDRE)
Notice bibliographique
Résumé
Background: The identification of individuals at risk for incident CKD (eGFR < 60 ml/min, stage 3a) is an important first step for disease surveillance, monitoring, education and allocation of key therapies to reduce CKD progression. Despite recommendations, albuminuria measurements in appropriate individuals remains poor. As such, we set out to develop and validate a prediction equation for new onset CKD with and without an albumin creatine ratio (ACR). Methods: Population-level administrative data cohort of 1,109,905 adults (>66 years old) from Ontario, Canada April 1, 2008 and December 31, 2017 with a minimum of 2 eGFR measures (one for baseline > 70 ml/min, one for outcome) were included. Prediction equations stratifying individuals with (n=191,690) and without (n=998,825) ACR were derived, internally validated by bootstrapping and externally validated in 122,144 (22,809 ACR, 99,335 non-ACR) individuals in Manitoba, Canada. The study outcome was a single eGFR measure < 60 mls/min/1.73 m2 with up to 10 years follow-up. In additional analyses, we examined two eGFR measures < 60 mls/min and a single eGFR < 45 ml/min as study outcomes. Results: Among individuals (54.5% women, mean age 64 SD 7, mean baseline eGFR 82 SD 8, median ACR 1 IQR 1-3), an eGFR < 60 ml/min occurred in 37.2% during the follow-up. The final model including up to 6 variables (age, sex, baseline eGFR, hemoglobin, time from hypertension and diabetes mellitus diagnosis) yielded a 5-year c-statistics of 0.77 (no ACR) and 0.78 (with ACR) with excellent calibration. Model performance was similar in additional analyses and in an external validation. Conclusions: An equation incorporating readily available and routinely collected administrative data variables can accurately predict the onset of CKD with or without ACR.
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 | 0,005 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».