Improving the Quality of CKD Care with Risk Prediction and Personalized Recommendations: 1-Year Results from the GEMINI-RAPA Study
Notice bibliographique
Résumé
Background: CKD is associated with cardiovascular disease, progression to kidney failure and early mortality. Clinical guidelines recommend (ACEi, SGLT2i, non-steroidal MRA) to slow CKD progression and prevent heart failure in CKD-T2D patients Unfortunately, most patients are recognized late and use of guideline testing and therapies remain low. We implemented Klinrisk, a highly accurate risk prediction algorithm for CKD progression, with clinical decision support (CDS) to identify patients at risk with the goal of improving quality of CKD care in a large nephrology practice. Methods: Patients >18 years and not on dialysis were included. Data for estimated glomerular filtration rate, albuminuria, demographics, other laboratory tests and comorbid conditions was extracted from the electronic health record (EHR). Individuals were risk stratified using an externally validated risk prediction equation (Klinrisk1), deployed on Khure Health’s CDS platform Reports are generated quarterly to inform and educate physicians. One year data on changes in guideline directed care are presented here. Results: Of 16,099 patients that were risk-stratified, 29% were at high risk of CKD progression. Higher risk individuals were similar in age, but more likely to have diabetes, hypertension and heart failure. At one year, UACR testing increased 3 fold from 12.3 to 38.8 %, and UACR/PCR values were available in 83 % of individuals. Among high risk patients (> 10 % risk of progression over 2 years) there was a 19% increase in prescription of RAASi, 96 % increase in prescription of SGLT2i and an 65 % increase in prescription of ns-MRAs. Conclusion: Integration of a highly accurate machine model for CKD progression when paired with EHR linked clinical decision support improves guideline-recommended testing and therapy in high -risk patients with CKD. Longer follow up and periodic assessment is planned to observe changes in quality metrics and patient outcomes. Funding: Commercial Support - Bayer
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 | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».