Treatment Strategies in De Novo and Recurrent Hyperkalemia: TRACK Study Insights
Notice bibliographique
Résumé
Background: Effective HK management is vital to reduce life-threatening HK-associated events. Real-world evidence is needed to elucidate the characteristics and treatment patterns of patients with HK, aiding guideline adherence and optimizing care. The longitudinal TRACK study examines HK management strategies, objectives, and outcomes over 12 months in five countries. Methods: TRACK included 1330 patients with HK (K+>5.0 mmol/L) from Germany, Italy, Spain, the UK, and the US. De novo† and recurrent† HK cases were assessed at 3-month intervals. Results: The de novo group (n=458) had lower CKD only prevalence vs the recurrent group (n=870; P<0.0001; Table). Across 12 months, conservative treatment was the most common HK management strategy but tended to decline over time. Similar trends were seen for K+ binder use. Overall, “ease of treatment” and “lower K+ levels to normal range” were the most common HK treatment objective and expectation, respectively. First occurrence of K+ normalization at follow-up was higher in the recurrent vs de novo group (P=0.0005; Table). Continuation of RAASi therapy increased from baseline to Month 12 in the de novo group and was significantly higher at Month 12 vs recurrent group (P<0.0001). The incidence of cumulative HK complications was higher in the recurrent vs de novo group (P=0.0008; Table). Conclusion: We observed similar trends in HK treatment strategies in de novo and recurrent cases, associated with suboptimal K+ normalization and RAASi use. HK management trended towards conservative approaches despite guideline recommendations, highlighting treatment gaps and the need for enhanced HK care standards. Funding: Commercial Support - AstraZeneca
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 ».