Variability in eGFR and the Risk of Adverse Kidney Outcomes and All-Cause Mortality
Notice bibliographique
Résumé
Key Points Increased eGFR variability over 3 years independently predicts a higher risk of kidney outcomes and all-cause mortality. This association remained consistent across subgroups and sensitivity analyses. Routine eGFR variability assessment may enable identification of high-risk patients and provide an opportunity for the initiation of interventions. Background eGFR variability may predict adverse outcomes, such as cardiovascular events and mortality, yet its influence on kidney impairment progression in routine clinical practice is not well described. Methods This retrospective cohort study used longitudinal eGFR data from MedicineInsight, a comprehensive primary care database. We included adults (18 years or older) with at least three eGFR measurements over 3 years between January 1, 2011, and December 31, 2018. eGFR variability between visits was assessed using the coefficient of variation and categorized into groups by quintiles. A kidney composite end point, comprising a sustained 40% decline in eGFR from baseline, a sustained eGFR of <15 ml/min per 1.73 m 2 , and all-cause mortality, was tracked over a 3-year follow-up. Cox proportional hazards models quantified the association between eGFR variability and outcomes. Results Among 754,306 patients, with a mean age of 59.1 years and 58.0% female, higher eGFR variability was associated with an increased risk of the kidney composite end point (hazard ratio, 2.17;95% confidence interval, 2.03 to 2.32) for the highest versus lowest fifth after adjusting for mean eGFR and eGFR slope, as well as other cardiovascular disease risk factors and medication use. Similar trends were observed for components of the primary outcome and across all subgroups including age, sex, hypertension, diabetes, and baseline eGFR. Conclusions Increased eGFR variability independently predicts adverse kidney outcomes, underscoring its potential as a clinical biomarker for identifying high-risk patients. Including eGFR variability in routine kidney assessments may improve risk stratification, enabling timely interventions and potentially enhancing patient outcomes in primary care.
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 | 0,001 | 0,015 |
| 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 ».