MétaCan
Menu
Retour à la cohorte
Enregistrement W4398131126 · doi:10.1681/asn.0000000000000402

Climate Change, Kidney Health, and Environmentally Sustainable Kidney Care

2024· article· en· W4398131126 sur OpenAlexaff
Shaifali Sandal, Isabelle Éthier, Ugochi Onu, Winston Wing‐Shing Fung, Divya Bajpai, Workagegnehu Hailu, Peace Bagasha, Letizia De Chiara, Ehab Hafiz, Brendan Smyth, Dearbhla Kelly, Maria Pippias, Vivekanand Jha

Notice bibliographique

RevueJournal of the American Society of Nephrology · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensCentre Hospitalier de l’Université de MontréalMcGill University Health Centre
Organismes subventionnairesInternational Society of Nephrology
Mots-clésHealth careClimate changeMedicineEnvironmental healthEconomic growthEconomics

Résumé

récupéré en direct d'OpenAlex

Key Points A multinational survey of health care professionals on the kidney health impacts of climate change and the environmental burden of kidney care was conducted. Most participants reported knowledge gaps and high level of concern on these interconnected issues. Only a minority report personal or organizational initiatives in environmentally sustainable kidney care; this did not vary by country income level. Background Given the threat of climate change to kidney health and the significant environmental effect of kidney care, calls are increasing for health care professionals and organizations to champion climate advocacy and environmentally sustainable kidney care. Yet, little is known about their engagement, and existing literature is primarily emerging from high-income countries. Methods We conducted a cross-sectional survey to understand the knowledge, attitude, and practice of health care professionals on the interconnectedness of climate change and kidney health; to identify personal and organizational initiatives in sustainable kidney care and strategies to increase their engagement; and to compare responses by their country's income level as classified by the World Bank. Results Participants ( n =972) represented 108 countries, with 64% from lower- or middle-income countries. Ninety-eight percent believed that climate change is happening, yet <50% possessed knowledge about the effect of climate change on kidney health or the environmental effect of kidney care. Only 14% were involved in climate change and kidney health initiatives (membership, knowledge/awareness, research, and advocacy), 22% in sustainable kidney care initiatives (education/advocacy, preventative nephrology, sustainable dialysis, promoting transplant/home therapies, and research), and 26% reported organizational initiatives in sustainable kidney care (sustainable general or dialysis practices, preventative/lean nephrology, and focused committees). Participants from lower-income countries generally reported higher knowledge and variable level of concern. Engagement in sustainable kidney care did not vary by income level. Guidance/toolkit (79%), continuing education (75%), and opportunities (74%) were the top choices to increase engagement. National initiatives (47%), preventative measures (35%), and research endeavors (31%) were the top avenues for organizational engagement. These varied by income level, suggesting that the vision and priorities vary by baseline resource setting. Conclusions We have identified knowledge and practice gaps among health care professionals on the bidirectional relationship between kidney disease and climate change in a multinational context and several avenues to increase their engagement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0140,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,298
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the American Society of NephrologyMême sujetClimate Change and Health ImpactsTravaux en français237 207