Holistic Impact of CKD: A Clinical, Economic, and Environmental Analysis by IMPACT CKD
Notice bibliographique
Résumé
Introduction: Chronic kidney disease (CKD) is a growing global health problem driven by aging and the rise of comorbidities, including diabetes and hypertension. Although clinical and economic burdens have been reported, there is a lack of information on the multidimensional impact of CKD across countries with varying demographics and health system archetypes. Methods: The validated IMPACT CKD model was used to project the clinical, health care resource use (HCRU), economic, patient, societal, and environmental burden of CKD in 8 countries (Australia, Brazil, China, Germany, Netherlands, Spain, United Kingdom, and United States) over 10 years (baseline: 2022; simulated years: 2023-2032). Results: By 2032, 11.7% to 16.5% of the countries' populations were projected to have CKD, with prevalence rising in 7 countries over 10 years, and a shift toward later stages. These increases were accompanied by projected increases of 3.6% to 170.8% and 41.9% to 80.1% in the number of patients living on dialysis and with a functioning kidney transplant, respectively. Driven by this growing clinical burden, increases of over 19% in CKD costs and 20% in kidney replacement therapy (KRT) costs were projected across all countries. Impaired work productivity led to significant projected losses in gross domestic product, full-time equivalents, and tax revenue. Freshwater consumption, fossil fuel depletion, and carbon production in patients on KRT were projected to increase by over 11% in all the countries. Conclusion: This study demonstrates the multifaceted burden of CKD globally and supports the adoption of policies such as CKD screening programs and public health awareness to promote early diagnosis and treatment to mitigate the growing disease burden.
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 | 0,001 |
| 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) | 0,003 | 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 ».