Etiology of Kidney Failure across the World in MONitoring Dialysis Outcomes (MONDO) Dataset
Notice bibliographique
Résumé
Background: MONDO initiative is an academic-industry partnership where providers contribute anonymized data to a shared research dataset. We characterized etiology of kidney failure (KF) from the MONDO2019 cohort from 41 countries over 20 years. Methods: Nine institutions contributed longitudinal data to MONDO 2019 (Jan2000-Dec2019). Data anonymization was performed in alignment with recommendations from a re-identification risk determination (Privacy Analytics, Ontario, CA). Results: MONDO 2019 represents 289,531 patients, of which 170,910 (59.0%) had a known etiology for KF (Figure 1). Worldwide, diabetes (DM) was the leading cause of KF (15.8%), followed by hypertensive diseases (HTD, 14.0%) and glomerular diseases (GD,13.9%). Although DM was the leading cause of KF in North America (NA, 35.1%) and Asia-Pacific (AP, 24.2%), GD was the most common cause of KF in Europe-Middle East-Africa (EMEA, 14.9%) and South America (SA, 16.5%). DM was the second leading cause of KF in EMEA (13.4%) and the third leading cause of KF in SA (12.7%). Other regional differences were observed and included HTD being a more common cause of KF in NA (25.3%) and AP (19.4%) than in SA (14.9%) and EMEA (10.6%). Conclusion: MONDO 2019 dataset shows that the etiology of KF may vary among world regions and warrants further confirmatory investigations, particularly for glomerular disorders associated with DM. These observations are consistent with findings from registries in US and Europe (Stel VS, et al., NDT 2024). Funding: Commercial Support - Fresenius Medical Care
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».