MétaCan
Menu
Retour à la cohorte
Enregistrement W4399687017 · doi:10.2337/db24-1350-p

1350-P: Incidence of Diabetic Kidney Disease (DKD) by Country of Birth among Immigrants and Long-Term Residents of Canada

2024· article· en· W4399687017 sur OpenAlexaboutno aff
SEBAT MOHAMED, Jennifer Lipscombe, LORRAINE LIPSCOMBE, CHRIS KENASZCHUK, Deva Thiruchelvam, GHAZAL S. FAZLI, Baiju R. Shah, Laura C. Rosella, Calvin Ke

Notice bibliographique

RevueDiabetes · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueHealthcare Systems and Public Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIncidence (geometry)MedicineDemographyImmigrationPopulationCreatinineCohortInternal medicineEnvironmental healthGeography

Résumé

récupéré en direct d'OpenAlex

Introduction and Objective: It is unclear whether DKD incidence varies by world region of birth. We examined whether the incidence of DKD (defined as the Kidney Disease Improving Global Outcomes (KDIGO) categories 2-4) differs between immigrants and long-term residents (LTRs) with T2D in Ontario, Canada. Methods: This retrospective cohort study used population-based linked databases to examine age-sex standardized incidence rates of DKD based on the most recent creatinine and urinary albumin-creatinine ratio (ACR) during the baseline (2012-16) and observation (2017-21) periods among adults aged 20-80 years with pre-existing T2D. We used the gamma distribution method to test for significant differences between immigrants and LTRs. Results: We included 647,210 individuals (mean age 61.6 years, 44.9% female, 152,778 immigrants). Overall standardized incidence varied (category 2: 76.4; 3: 31.0; 4: 15.9 per 1000 person-years). Immigrants from Southeast Asia had significantly higher incidence of categories 2 and 3 (91.1, 36.4 respectively; p<0.05) and a similar incidence of category 4 (16.6) versus LTRs. Incidence of categories 2-4 was lower among immigrants from East Asia (62.2, 18.5, 7.2 respectively) and several other regions versus LTRs (p<0.05). Disparities in incidence narrowed as KDIGO category increased. Conclusion: DKD incidence varies substantially by world region of birth. Disclosure S. Mohamed: None. J. Lipscombe: None. L. Lipscombe: Other Relationship; Novo Nordisk Canada Inc. C. Kenaszchuk: None. D. Thiruchelvam: None. G.S. Fazli: None. B.R. Shah: None. L. Rosella: None. C. Ke: Advisory Panel; Sanofi. Speaker's Bureau; AstraZeneca. Funding Novo Nordisk Network for Healthy Populations

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,007
Tête enseignante GPT0,262
Écart entre enseignants0,255 · 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'étudeObservationnel
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDiabetesMême sujetHealthcare Systems and Public HealthTravaux en français237 207