Patterns of follow-up testing of abnormal eGFR and UACR for the detection of chronic kidney disease in Australian primary care: analysis of a national general practice dataset
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the patterns of abnormal estimated glomerular filtration rate (eGFR) and urine albumin-creatinine ratio (UACR) follow-up testing for the detection of chronic kidney disease (CKD) in Australian general practices. DESIGN: Retrospective, population-based observational study. SETTING AND PARTICIPANTS: 2 717 966 adults who visited a MedicineInsight participating general practice between 1 January 2012 and 31 December 2020, had ≥1 serum creatinine measurement (with or without a UACR measurement) and did not have CKD at baseline. MAIN OUTCOME MEASURE: ; UACR≥2.5 mg/mmol in males, ≥3.5 mg/mmol in females) incident result. Multivariable logistic regression was used to identify patient factors associated with receiving appropriate follow-up testing. RESULTS: A total of 220 841 and 114 889 patients with an abnormal incident eGFR and UACR result, respectively, were identified. Nearly half (45.0%) of the patients with an abnormal eGFR result and over two-thirds (69.7%) of the patients with an abnormal UACR result did not have a follow-up test within 6 months. Patient factors associated with a higher likelihood of follow-up eGFR testing included indicators of poorer baseline health and greater CKD risk, such as comorbid diabetes (adjusted OR 1.36, 95% CI 1.32 to 1.40) or more severe incident eGFR (adjusted ORs for eGFR categories 30-44, 15-29 and <15 mL/min/1.73 m², respectively, vs eGFR 45-59 mL/min/1.73 m²: 1.51 (1.47 to 1.55), 1.85 (1.76 to 1.95) and 1.62 (1.47 to 1.78)). Higher incident UACR level was associated with greater follow-up UACR testing (adjusted OR for severely increased albuminuria vs moderately increased albuminuria (OR 1.42, 95% CI 1.37 to 1.48). CONCLUSIONS: In this large, population-based study, we observed substantial gaps in the follow-up of abnormal eGFR and UACR for the detection of CKD in primary care settings. Effective strategies to optimise follow-up testing for CKD detection are needed.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».