Assessing the quality of CKD care using process quality indicators: A scoping review
Notice bibliographique
Résumé
INTRODUCTION: Assessing the quality of chronic kidney disease (CKD) management is crucial for optimal care and identifying care gaps. It is largely unknown which quality indicators have been widely used and the potential variations in the quality of CKD care. We sought to summarize process quality indicators for CKD and assess the quality of CKD care. METHODS: We searched databases including Medline (Ovid), PubMed, Cochrane Library, Web of Science, CINAHL, and Scopus from inception to June 20, 2024. Two reviewers screened the identified records, extracted relevant data, and classified categories and themes of quality indicators. RESULTS: We included 24 studies, extracted 30 quality indicators, and classified them into three categories with nine themes. The three categories included laboratory measures and monitoring of CKD progression and/or complications (monitoring of kidney markers, CKD mineral and bone disorder, anemia and malnutrition, electrolytes, and volume), use of guideline-recommended therapeutic agents (use of medications), and attainment of therapeutic targets (blood pressure, glycemia, and lipids). Among the frequently reported quality indicators (in five or more studies), the following have a median proportion of study participants achieving that quality indicator exceeding 50%: monitoring of kidney markers (Scr/eGFR), use of medications (ACEIs/ARBs, avoiding non-steroidal anti-inflammatory drugs (NSAIDs)), management of blood pressure (with a target of ≤140/90, or without specific targets), and monitoring for glycated hemoglobin A1c (HbA1c)). The presence of diabetes, hypertension, cardiovascular disease, or proteinuria was associated with higher achievement in indicators of monitoring of kidney markers, use of recommended medications, and management of blood pressure and glycemia. CONCLUSION: The quality of CKD management varies with quality indicators. A more consistent and complete reporting of key quality indicators is needed for future studies assessing CKD care quality.
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 | 0,066 | 0,266 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,010 |
| Bibliométrie | 0,037 | 0,041 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».