Geospatial Mapping to Identify Primary Glomerulonephritis Hot Spots in Saskatchewan
Notice bibliographique
Résumé
Background: Saskatchewan (SK), a province rich in oil, minerals, and agriculture, with 1.2M population, is principally served by its two urban renal centers in Regina and Saskatoon. There is a lack of comprehensive data on the association of GN subtypes with rural-urban divide, and geographic hotspots like mines and refineries.Utilizing the kidney biopsy, our objective was to identify clusters of GN subtypes, calculate yearly incidence rates, urban/rural comparisons, and distance and travel time to access care. Methods: A centralized provincial kidney pathology database was used to capture all incident cases of biopsy-proven GN in the adult population from 2002 - 2018. Only patients with primary GN were included (n=1372). Demographic attributes, 3-digit postal codes, lab parameters, definitive GN diagnosis, the date of biopsy, dialysis start, and death were collected and analyzed. To analyze the variation of GN across different regions in SK we used SaTScan v10.1.3 software. The population data from Census 2016 was used as a reference, and age and sex were taken as covariates. Results: GN incidence increased from 4.6 to 13.6 per 100,000 persons from 2002 to 2018 (p<0.001). GN incidence was higher in rural areas than in urban areas (p<0.001). Significantly higher dialysis progression rates were seen for rural and remote areas (p<0.01). We identified a geospatial cluster of 345.7 km2 for lupus nephropathy (Figure 1(f)), with an incident rate ratio of 1.73, a relative risk of 2.7, and a Log likelihood ratio of 13.87. No significant clusters were identified for any other subtypes of GN. Conclusion: We identified a geographic cluster for lupus nephropathy, encompassing both urban and rural areas. While there was a higher incidence of MN and AGBM in rural areas, we did not identify any geographic clusters for the same. Addressing and understanding the multifaceted factors driving these disparities are essential steps towards easing the burden of GN on impacted communities.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».