Conservative Kidney Management in the Middle East and North Africa: Attitudes, Practices, and Implementation Barriers
Notice bibliographique
Résumé
Introduction: Conservative kidney management (CKM) is poorly developed and not easily accessible globally, especially in middle- and low-income countries. This study aimed to understand the perspectives of nephrologists on CKM and the barriers to its implementation in the Middle East and North Africa (MENA) region. Methods: We conducted an online survey. Nephrologists were contacted through their local nephrology societies. Responses were divided into the following 3 groups as per the country's income classification by the World Bank: high-, middle-, and low-income. Results: A total of 336 surveys were analyzed (response rate: 34.28%). The mean age of participants was 43.3 ± 9.8 years; 50% were male, 91% practiced in urban settings, and 18% were affiliated with academic centers. Of the participants, 76% were from middle-income countries. Nearly 80% of the participants were aware of CKM, and 65% accepted CKM as a treatment modality for kidney failure. However, only 20% consistently offered CKM to their patients and only 16% had a formal CKM program at their institution. Among these, 12% had a multidisciplinary team and only 6% had formal CKM training. The major perceived barriers to CKM implementation were financial and resource constraints (37.7% and 32.7%, respectively). Cultural and religious barriers constituted 18.3% and 8.6%, respectively, and were similar among the 3 income groups. Conclusion: Despite the significant awareness of CKM in the MENA region, its implementation remains poor. Key barriers include financial limitations, resource shortages, and a lack of training. Regional and national research is required to address these challenges and guide policies to improve CKM accessibility and implementation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».