Mind the Gap in Kidney Care: Translating What We Know Into What We Do
Notice bibliographique
Résumé
Historically, it takes an average of 17 years to move new treatments from clinical evidence to daily practice. Given the highly effective treatments now available to prevent or delay kidney disease onset and progression, this is far too long. The time is now to narrow the gap between what we know and what we do. Clear guidelines exist for the prevention and management of common risk factors for kidney disease, such as hypertension and diabetes, but only a fraction of people with these conditions worldwide are diagnosed, and even fewer are treated to target. Similarly, the vast majority of people living with kidney disease are unaware of their condition, because in the early stages it is often silent. Even among patients who have been diagnosed, many do not receive appropriate treatment for kidney disease. Considering the serious consequences of kidney disease progression, kidney failure, or death, it is imperative that treatments are initiated early and appropriately. Opportunities to diagnose and treat kidney disease early must be maximized beginning at the primary care level. Many systematic barriers exist, ranging from patient to clinician to health systems to societal factors. To preserve and improve kidney health for everyone everywhere, each of these barriers must be acknowledged so that sustainable solutions are developed and implemented without further delay. World J Nephrol Urol. 2024;13(1):1-12 doi: https://doi.org/10.14740/wjnu448
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 | 0,069 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,029 |
| Communication savante | 0,026 | 0,045 |
| Science ouverte | 0,005 | 0,024 |
| Intégrité de la recherche | 0,013 | 0,037 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 ».