Profiles of Home Medication Use in Patients on Dialysis Globally
Notice bibliographique
Résumé
Background: Global patterns of medication use in dialysis are undefined. This project aims to provide a real-world view of home medication use in dialysis using a global dialysis dataset from 40 countries called Apollo Dial DB. The most common prescribed medications administered at home by patients were compared by modality. Methods: Apollo Dial DB includes adult dialysis patient data from a global kidney network during Jan 2018-Mar 2021 (Fresenius Medical Care, Bad Homburg, DE). Data anonymization was performed in alignment with recommendations from a re-identification risk determination (Privacy Analytics, Ontario, CA). Home medications were analyzed based on top (most common) five pharmacological classes defined by first 4-digits of ATC code; classes were stratified by modality. Results: In Apollo Dial DB 109,888 in-center hemodialysis (HD) patients had 1,459,954 ATC code medication entries (13.3 drugs/patient), 6,466 peritoneal dialysis (PD) patients had 35,873 ATC codes (5.5 drugs/patient), and 1,899 home HD patients 10,228 ATC codes (5.4 drugs/patient). Top pharmacological classes included phosphate binders and antihypertensives for all modalities, yet differences existed by modality (Figure 1). Conclusion: Home medication use appears 2-fold higher for in-center HD versus PD and home HD. Most common medications included calcium phosphate binders, 50% of in-center, 57% of home HD, and 33% of PD patients. Beta-blockers were commonly used for hypertension management in HD (48% in-center, 37% home patients), while calcium channel blockers were most used in PD (33%). Antithrombotics were more prevalent in HD (48% in-center, 54% home patients) and gastroesophageal medications in home HD patients (33%). Antiemetics and diuretics were more prevalent in PD patients (42% and 33%). Insights provide benchmarks for the community. Further research is needed accounting for duration of use and considering real-world application of various drugs (e.g., GLP1 drugs, HIF-PH inhibitors).
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 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».