Dépistage de la maladie rénale chronique en population générale dans une ville africaine en 2022
Bibliographic record
Abstract
La maladie rénale chronique (MRC) est fréquente chez les personnes vivant en Afrique subsaharienne en raison de la confluence des facteurs de risque de la MRC et de la prédisposition génétique. La stratégie préventive par détection de la MRC est donc recommandée dans ce contexte africain. Il s’agit d’une enquête de masse en population générale. Nous avons organisé une campagne de dépistage de l’hypertension artérielle, le diabète et la maladie rénale chronique à l’occasion de la journée mondiale du Rein 2022 dans une ville africaine. Des données sociodémographiques ainsi que le poids, la taille, l’indice de masse corporelle (IMC) et la tension artérielle ont été renseignés sur une feuille. Des échantillons d’urine ont été prélevés et testés pour la protéinurie et l’hématurie à l’aide d’une bandelette réactive. La glycémie veineuse a été mesurée avec un glucomètre. Nous avons dépisté 1029 volontaires. L’âge moyen était de 39 ans. Les hommes constituaient 52,7 % de la population dépistée. Les répondants n’avaient pas de sources de revenus dans 44 %. L’hypertension artérielle était connue dans 14,7 %. La mesure de la pression artérielle objectivait des chiffres tensionnels élevés chez 23,7 % des participants. Nos participants présentaient une glycémie supérieure à 1,26 g/L dans 9 % des cas. À la bandelette urinaire, on avait 21 % de protéinurie à une croix et plus et 23,7 % d’hématurie. Les participants porteurs d’une comorbidité connue étaient classés malades et représentaient 71,1 % des cas. Ceux identifiés comme malades étaient plus âgés (p = 0,0048), avaient des chiffres tensionnels plus élevés (p = 0,03), souffraient plus d’obésité (p = 0,002). Un adulte sur cinq présente un bio-marqueur de la MRC dans la population générale. Il importe des investigations complémentaires au moyen de sources de données appropriées.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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 teacher head, 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".