Time to integrate climate science into kidney care planning: a ‘PASIGE’ to a climate change mitigation and adaptation framework
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Kidney diseases affect around 850 million people globally and are a growing public health burden, with high rates of associated cardiovascular mortality and no major decline in age-standardized mortality compared to other noncommunicable diseases. Climate change is an inequitable driver of kidney diseases, and climate-related disasters can disrupt access to life-sustaining kidney replacement therapies. Conversely, the care of patients with kidney diseases contributes to greenhouse gas emissions, pollution, and generates large amounts of waste. RECENT FINDINGS: Environmentally sustainable kidney care planning is pursuing kidney care practices and innovations that minimize environmental harm while remaining patient-centered and cost-effective. An adaptation and mitigation framework (a structured approach to developing adaptation strategies, policies, and measures) to guide this is lacking. SUMMARY: We propose the 'PASIGE' framework to guide climate science integration in kidney care planning -> Prevent: approaches to prevent kidney disease, its progression to kidney failure, and complications; Adopt: sustainable lifestyle, practices and therapies; Screen: targeted population screening for early detection and identification of kidney disease; Innovate: technology, manufacturing, procurement, energy sources and transportation; Generate: sustainably powered and produced low-impact net zero waste kidney replacement therapies resilient to climate threats; and Enhance: patient engagement, care quality, and system resiliency.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».