Development and Validation of Models to Predict Major Adverse Cardiovascular Events in Chronic Kidney Disease
Notice bibliographique
Résumé
Background: Accurate cardiovascular (CV) risk prediction tools may heighten awareness and monitoring, improve the use of evidence-based therapies and help inform shared decision making for patients with chronic kidney disease (CKD). The purpose of this study was to develop and externally validate a risk prediction model for incident and recurrent CV events across all stages of CKD using commonly available demographics and laboratory data. Methods: A series of models were developed using administrative and laboratory data (n=36,317) from Manitoba, Canada, between April 1, 2006, and December 31, 2018, with external validation in health system's data from Alberta, Canada (n=95,191), and Stockholm, Sweden (n=83,000). Adults with incident CKD stages G1-G4 were followed for the occurrence of major adverse cardiovascular events (MACE) (myocardial infraction, stroke, and CV death), and MACE including hospitalization for heart failure (MACE+). Discrimination and calibration were evaluated using the area under the receiver operating characteristic curve (AUC), Brier scores, and plots of observed vs predicted risk, and the models were compared to an existing model from the Chronic Renal Insufficiency Cohort (CRIC). Results: In the Alberta cohort, the AUCs for predicting MACE and MACE+ were 0.77 (0.77-0.77) and 0.80 (0.79-0.80), respectively. In the Stockholm cohort, the model achieved an AUC of 0.87 (0.86-0.87) for predicting MACE and 0.88 (0.88-0.88) for MACE+. Overall performance was improved relative to CRIC. Conclusions: A model including commonly available administrative data and laboratory results can predict the risk of MACE and MACE+ outcomes among individuals with CKD.
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) | 0,000 | 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 ».