Characteristics of patients with undiagnosed stage 3 chronic kidney disease: results from an observational study (REVEAL-CKD) in China
Notice bibliographique
Résumé
Background: Early diagnosis of chronic kidney disease (CKD) is crucial for timely intervention to delay disease progression and improve patient outcomes. However, data for clinical characteristics of Chinese patients with undiagnosed, early-stage CKD are lacking. Methods: ) recorded >90-730 days apart from 2015 to 2020 were eligible. Findings: Among 35,222 eligible patients, 25,214 (71.6%) were undiagnosed (lacked a CKD diagnostic code before and up to six months post-second-qualifying-eGFR). Only 2344 (9.3%) undiagnosed patients eventually received a delayed diagnosis, whose median time to diagnosis was 18.1 (95% CI: 17.6-18.8) months. Age ≥65 years, being female, stage 3A CKD, and the absence of nephrology visit and comorbidities (diabetes, established cardiovascular disease, heart failure, hypertension, or chronic nephritic syndrome) were associated with undiagnosed CKD (P < 0.001). Among the diagnosed patients, the proportion receiving ≥1 prescription of guideline-recommended medications (e.g. renin-angiotensin system inhibitors) increased and their eGFR decline attenuated post-diagnosis. Interpretation: The high proportion of undiagnosed, early-stage CKD, and delayed diagnosis are concerning. The improved prescription patterns and the attenuation of eGFR decline post-diagnosis demonstrate the importance of early diagnosis and timely intervention in CKD patients. Funding: AstraZeneca China.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».