Predicting the onset of chronic kidney disease (CKD) for diabetic patients with aggregated longitudinal EMR data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Chronic kidney disease (CKD) affects over 13% of the population, totaling more than 800 million individuals worldwide. Timely identification and intervention are crucial to delay CKD progression and improve patient outcomes. This research focuses on developing a predictive model to classify diabetic patients showing signs of kidney function impairment based on their CKD development risk. Our model utilizes electronic medical record (EMR) data, specifically by incorporating patient demographics, laboratory results, chronic conditions, risk factors, and medication codes to predict the onset of CKD in diabetic patients six months in advance, achieving an average Area Under the Curve (AUC) of 0.88. We leverage aggregated EMR data to effectively capture relevant information within the observation year instead of using temporal EMR data. Furthermore, we identify the most significant features for predicting CKD onset, including mean, minimum, and first quartile of estimated glomerular filtration rate (eGFR) during the observation year, along with variables such as diagnosis age and duration of hypertension, osteoarthritis, and diabetes, as well as levels of hemoglobin and fasting blood glucose (FBG). We also explored a refined model utilizing only these most significant features, which yields a slightly lower AUC of 0.86. These variables are typically available in primary data, empowering physicians for real-time risk assessment. The proposed model's ability to identify higher-risk patients is essential for timely intervention, personalized care, risk stratification, patient education, and potential cost savings. This research contributes valuable insights for healthcare practitioners seeking efficient tools for early CKD detection in diabetic populations.
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.
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 découle