Prevalencia de enfermedad renal crónica de causa no tradicional (ERCnT) en pacientes en hemodiálisis de la costa sur de Guatemala
Bibliographic record
Abstract
La enfermedad renal crónica (ERC) de causa no tradicional (ERCnT) se presenta frecuentemente en la costa sur de América Central y regiones de Sri Lanka. Poco se sabe de esta patología pero, afecta poblaciones jóvenes, trabajadores de la agroindustria que se exponen al golpe de calor, viven debajo de 200 m.snm, tienden a tener poca proteinuria y no se asocian a factores tradicionales de ERC, además se reconocen otros factores como, deshidratación frecuente, rabdomiolisis, uso de AINES, contexto de pobreza, bajo peso al nacer y malnutrición. Se estableció la prevalencia de pacientes con ERCnT y los factores asociados a través de un estudio descriptivo de corte transversal en donde se entrevistaron 242 pacientes que reciben tratamiento de hemodiálisis en diferentes unidades de la costa sur (Escuintla, Mazatenango y Retalhuleu). Los pacientes fueron clasificados en diabéticos, hipertensos, obesos o si ninguno de esos factores. Se analizó la relación entre pacientes con factores no tradicionales de ERC: ocupación, demográficos, hábitos, altitud y tiempo en llegar a su clínica de diálisis, usando un análisis multivariado de regresión logística. Se encontró que 171 (71%) pacientes no presentaron factores tradicionales de ERC. Aunque la ocupación de agricultor es la más común, únicamente alcanzó significancia estadística la edad <50 años y el tiempo >30 min que tardan en desplazarse a la clínica de diálisis. El uso de AINES y consumo de bebidas carbonatadas fue descrito como frecuente. La prevalencia de ERCNT en pacientes que reciben hemodiálisis en la costa sur de Guatemala es alta. Es el mismo fenómeno reportado en El Salvador y Nicaragua. Queda entonces demostrado que la ERCnT también se presenta en la costa sur de Guatemala.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".