Use of the kidney failure risk equation: a regional retrospective primary care cohort study in England
Notice bibliographique
Résumé
BACKGROUND: Chronic kidney disease (CKD) is associated with increased risk of death and progression to kidney failure requiring renal replacement therapy (RRT). Predicting those at greatest risk of RRT is essential for effective clinical care. The kidney failure risk equation (KFRE) is useful for predicting risk of RRT but does not consider the competing risk of death. AIM: To measure the association between KFRE scores and probability of death versus RRT; and to quantify the number of patients with a KFRE score >5%. DESIGN AND SETTING: Retrospective cohort study conducted from 2018 to 2023 using the primary care Greater Manchester Care Record. METHOD: A mixed descriptive and regression analyses. Multinomial regression was used to measure the association between KFRE score categories (<5%, 5%-20%, and >20%) and relative risk/probability of death and RRT. RESULTS: In general, for the KFRE category of <5%: probability of RRT was 0.1% (95% confidence interval [CI] = 0.1 to 0.2) and death was 11.9% (95% CI = 11 to 13); for the KFRE category 5%-20%: probability of RRT was 2% (95% CI = 1 to 3) and death was 23% (95% CI = 20 to 27); and for the KFRE category of >20%: probability of RRT was 14% (95% CI = 8 to 23) and death was 29% (95% CI = 25 to 36). On average, 11% of patients with CKD stages 3-5 had a KFRE score >5% and could be eligible for referral to nephrology. CONCLUSION: The probability of death was generally greater than RRT across KFRE categories - useful for clinicians to consider in shared decision making and management. An estimate of all patients potentially eligible for referral to nephrology is useful for care delivery and provision of nephrology services.
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 | 0,007 |
| 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 | 0,001 |
| 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 ».