Home Hemodialysis Patient Loss: A Quality Improvement Initiative to Review Technique Failure in Alberta Kidney Care - South
Notice bibliographique
Résumé
Background: The number of dialysis patients has increased 15% over 5 years in Alberta Kidney Care South (AKC-S) with most patients pursuing in-centre hemodialysis. Although home hemodialysis (HHD) offers advantages of improved quality of life for patients and cost savings for programs it has grown at a slower rate. To increase the number of HHD patients, programs need to promote more patients to start on HHD and reduce the number of patients leaving HHD. Understanding the reasons for exit from HHD may lead to strategies to reduce patient loss. Methods: A retrospective cohort study of adult HHD patients who entered training for HHD between January 1 2013 to December 31 2018 in AKC-S, followed until exit/study end date. Reasons for technique failure (TF) identified, with KM estimates used to determine technique survival, and Cox proportional hazard model used to determine risk factors for TF. Results: 147 patients entered the HHD program-48(33%) women; 44(30%) DM, 38(25.9%) CAD, 14(9.5%) CVD, mean age of 54(13) years. 12(8.1%) did not complete training. Overall time in program 28 +/- 20 months, average training time 6.7 +/- 3.3 weeks. Reasons for exit include transplant 24(48%), death 6(4.5%), TF 32(24%). TF reasons include medical 9(39.1%), psychiatric 2(8.7%), social 3(13.0%), safety 4(17.4%), patient request 4(17.45%), change to PD 1(4.3%). Technique survival at 1, 2, and 5 years 91%, 85%, and 63%. Risk factors for TF include DM 2.36(1.06, 5.28) p= 0.036, CVD 4.34(1.8, 10.5) p=0.001 and a longer training time 1.18(1.07, 1.30) p=0.001. Conclusions: We found a high HHD turnover rate with technique survival rates decreasing with time. Risk factors for TF include patients with DM, CVD, longer training time. Improved identification of and education for potential HHD patients could reduce training failure rates. Interventions to provide better support for patients at risk of TF could help keep patients at home longer.Figure 1.: Cumulative Incidence of Competing Risks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».