Anda di halaman 1dari 7

Analisis Sensitivitas

Reklasifikasi analisis memeriksa ambang perbedaan dari definisi kategori risiko untuk tahap CKD 3 dan 4 menunjukkan peningkatan yang konsisten dengan model 6 melalui model 2 dan 3. Demikian pula, kategori kurang-NRI menunjukkan peningkatan 30% (95% CI, 16% -44%) dalam reklasifikasi keseluruhan untuk model 6 dibandingkan dengan model 3. Analisis survival dengan menggunakan pendekatan risiko bersaing menunjukkan tidak ada perbedaan yang signifikan antara penelitian metode Kaplan-Meier dan fungsi angka kejadian kumulatif, atau antara kemungkinan diprediksi gagal ginjal dari model regresi Cox bahaya proporsional dan model resiko yang berkompetisi (eFiugre 2 and eFigure 3).

Komentar Kami telah mengembangkan dan memvalidasi seperangkat model prediksi risiko untuk perkembangan gagal ginjal di antara pasien dengan moderat untuk CKD yang parah. Akurasi adalah bukti yang kuat di seluruh subkelompok yang relevan. Model kami menggunakan data laboratorium yang diperoleh secara rutin pada pasien dengan CKD dan dapat dengan mudah diintegrasikan ke dalam sistem informasi laboratorium atau klinik EHR. Peningkatan inkremental dalam NRI dan peningkatan diskriminasi terpadu menggunakan model terbaik kami (Model 6) dibandingkan dengan model sederhana (model 2 dan 3) lebih besar daripada perbaikan yang telah diamati dengan perbaikan baru untuk memprediksi alat yang digunakan pada penyakit kronis lainnya, seperti penambahan C-reactive protein terhadap faktor risiko kardiovaskular yang tradisional dan penambahan dari konsentrasi serum natrium ke Model untuk skor akhir dari Tahap Penyakit Hati.27 - 28

Di antara pasien dengan CKD, bisa ada heterogenitas yang cukup besar dalam risiko untuk perkembangan gagal ginjal. Sebagai contoh, Tabel 4 menunjukkan temuan klinis dan laboratorium pada 2 pasien hipotetik dengan GFR yang diperkirakan sama dan prediksi resiko gagal ginjal dari model 2, 3, dan 6. Prediksi didasarkan pada estimasi GFR saja tidak cukup untuk memprediksi risiko pada 2 pasien ini. Penambahan variabel laboratorium dalam model 3 dan 6 memberikan prediksi risiko substansial berbeda dibandingkan dengan model 2. Dibandingkan dengan model 3, model 6 diprediksi meningkatkan resiko sebesar 9,7% untuk pasien A dan menurunkan risiko sebesar 2,9% untuk pasien B.

Prediksi risiko telah memperoleh peningkatan perhatian selama 2 dekade terakhir, dengan literatur yang muncul menunjukkan hasil pasien membaik dengan prediksi risiko individual dan dengan kemajuan teknologi informasi yang memungkinkan untuk implementasi yang mudah model prediksi resiko sebagai komponen EHRs.29-33 Ketersediaan alat-alat prediksi risiko dan masuknya mereka dalam pedoman praktek klinis sudah meningkat lebih baik terhadap pedoman pengobatan dan telah mendorong pengambilan keputusan individu.31 - 33 Disampaing keuntungannya, kurangnya model mudah diaplikasikan dan eksternal divalidasi telah menunda integrasi luas prediksi risiko dalam semua bidang pengobatan.34 - 35 Model kami mengandalkan data demografi dan penanda laboratorium keparahan CKD untuk memprediksi risiko gagal ginjal di masa depan. Mirip dengan peneliti sebelumnya dari Kaiser Permanente dan kelompok studi GINJAL, 15 - 16 kita menemukan bahwa GFR diperkirakan lebih rendah, albuminuria lebih tinggi, usia yang lebih muda, dan laki-laki lebih cepat memprediksi perkembangan gagal ginjal.

Selain itu, serum albumin rendah, kalsium, dan bikarbonat, dan fosfat serum tinggi juga memprediksi risiko yang lebih tinggi gagal ginjal dan menambah kemampuan prediksi GFR diperkirakan dan albuminuria. Selain itu, serum albumin rendah, kalsium, dan bikarbonat, dan fosfat serum yang tinggi juga memprediksi risiko yang lebih tinggi terhadap gagal ginjal dan diperkirakan menambah kemampuan prediksi GFR dan albuminuria. Tanda tersebut dapat memungkinkan prediksi yang lebih baik dari GFR yang diukur atau mungkin mereka yang mencerminkan gangguan fungsi tubular atau proses yang mendasari peradangan atau malnutrition.36 - 37 Meskipun sebelumnya tanda laboratorium juga telah dikaitkan dengan perkembangan CKD, pekerjaan kita adalah mengintegrasikan mereka semua ke dalam persamaan risiko tunggal (risiko kalkulator dan Etable 5, dan aplikasi smartphone, tersedia di http://www.qxmd.com/Kidney-Failure -Risiko-Persamaan). Selain itu, kami menunjukkan tidak ada perbaikan dalam kinerja model dengan penambahan variabel yang diperoleh dari sejarah (diabetes dan status hipertensi) dan pemeriksaan fisik (tekanan darah sistolik, tekanan darah diastolik, dan berat badan). Meskipun variabel lainnya jelas penting untuk diagnosis dan pengelolaan CKD, kurangnya peningkatan kinerja model mungkin mencerminkan tingginya prevalensi kondisi di CKD dan ketidaktepatan sehubungan dengan keparahan penyakit setelah memperhitungkan GFR yang sudah diperkirakan dan albuminuria. Risiko model prediksi kami memiliki implikasi penting untuk praktek klinis, penelitian, dan kebijakan kesehatan masyarakat. Misalnya, dalam tahap CKD 3, kontribusi relatif dari nephrologist vs dokter perawatan primer untuk CKD adalah tidak tentu. 38 Menggunakan model kami, pasien beresiko rendah dapat dikelola oleh dokter perawatan primer tanpa pengujian tambahan atau pengobatan komplikasi CKD, padahal pasien beresiko tinggi dapat menerima pengujian lebih intensif, intervensi, dan perawatan nefrologi dini. Demikian pula, dalam tahap CKD 4, waktu intervensi yang tepat predialisis tetap uncertain.39 Menggunakan model kami, ambang batas resiko yang berbeda dapat digunakan untuk pasien triase untuk keputusan mengenai dialisis pendidikan modalitas, penciptaan akses vaskular, dan transplantasi preemptive. Selain itu, model kami dapat digunakan untuk memilih pasien beresiko tinggi untuk pendaftaran dalam uji klinis dan untuk evaluasi risiko-pengobatan interaksi. 40 - 41 Di samping itu, model kami mungkin juga berguna untuk mengidentifikasi pasien berisiko tinggi dengan stadium CKD 3 untuk intervensi kesehatan masyarakat, dengan demikian meningkatkan efektivitas biaya CKD care.42

REFERENCES
ABSTRACT | METHODS | RESULTS | COMMENT | AUTHOR INFORMATION | REFERENCES

1
Coresh J, Selvin E, Stevens LA, et al. Prevalence of chronic kidney disease in the United States. JAMA. 2007;298(17):2038-2047 PubMed | Link to Article

2
Go AS, Chertow GM, Fan D, et al. Chronic kidney disease and the risks of death, cardiovascular events, and hospitalization. N Engl J Med. 2004;351(13):1296-1305 PubMed | Link to Article

3
Sarnak MJ, Greene T, Wang X, et al. The effect of a lower target blood pressure on the progression of kidney disease. Ann Intern Med. 2005;142(5):342-351 PubMed

4
Sarnak MJ, Levey AS. Cardiovascular disease and chronic renal disease: a new paradigm. Am J Kidney Dis. 2000;35(4):(suppl 1) S117-S131 PubMed | Link to Article

5
Weiner DE, Tighiouart H, Amin MG, et al. Chronic kidney disease as a risk factor for cardiovascular disease and all-cause mortality. J Am Soc Nephrol. 2004;15(5):1307-1315 PubMed | Link to Article

6
Zhang QL, Rothenbacher D. Prevalence of chronic kidney disease in population-based studies: systematic review. BMC Public Health. 2008;8117 PubMed | Link to Article

7
Keane WF, Zhang Z, Lyle PA, et al. Risk scores for predicting outcomes in patients with type 2 diabetes and nephropathy: the RENAAL study. Clin J Am Soc Nephrol. 2006;1(4):761-767 PubMed | Link to Article

8
Keith DS, Nichols GA, Gullion CM, et al. Longitudinal follow-up and outcomes among a population with chronic kidney disease in a large managed care organization. Arch Intern Med. 2004;164(6):659-663 PubMed | Link to Article

9
Taal MW, Brenner BM. Predicting initiation and progression of chronic kidney disease: developing renal risk scores. Kidney Int. 2006;70(10):1694-1705 PubMed | Link to Article

10
Taal MW, Brenner BM. Renal risk scores: progress and prospects. Kidney Int. 2008;73(11):1216-1219 PubMed | Link to Article

11
Levey AS, Coresh J, Balk E, et al. National Kidney Foundation practice guidelines for chronic kidney disease: evaluation, classification, and stratification. Ann Intern Med. 2003;139(2):137-147 PubMed

12
Hemmelgarn BR, Zhang J, Manns BJ, et al. Nephrology visits and health care resource use before and after reporting estimated glomerular filtration rate. JAMA. 2010;303(12):1151-1158 PubMed | Link to Article

13
Jain AK, McLeod I, Huo C, et al. When laboratories report estimated glomerular filtration rates in addition to serum creatinines, nephrology consults increase. Kidney Int. 2009;76(3):318-323 PubMed | Link to Article

14
Matsushita K, van der Velde M, Astor BC, et al. Association of estimated glomerular filtration rate and albuminuria with all-cause and cardiovascular mortality in general population cohorts. Lancet. 2010;375(9731):2073-2081 PubMed | Link to Article

15

Geddes CC, Fox JG, Allison ME, et al. An artificial neural network can select patients at high risk of developing progressive IgA nephropathy more accurately than experienced nephrologists. Nephrol Dial Transplant. 1998;13(1):67-71 PubMed | Link to Article

16
Johnson ES, Thorp ML, Platt RW, Smith DH. Predicting the risk of dialysis and transplant among patients with CKD. Am J Kidney Dis. 2008;52(4):653-660 PubMed | Link to Article

17
Levin A, Djurdjev O, Beaulieu M, Er L. Variability and risk factors for kidney disease progression and death following attainment of stage 4 CKD in a referred cohort. Am J Kidney Dis. 2008;52(4):661-671 PubMed | Link to Article

18
Mackinnon B, Fraser EP, Cattran DC, et al. Validation of the Toronto formula to predict progression in IgA nephropathy. Nephron Clin Pract. 2008;109(3):c148-c153 PubMed | Link to Article

19
Parving HH, Lehnert H, Brchner-Mortensen J, et al. The effect of irbesartan on the development of diabetic nephropathy in patients with type 2 diabetes. N Engl J Med. 2001;345(12):870-878 PubMed | Link to Article

20
Pencina MJ, DAgostino RB. Overall C as a measure of discrimination in survival analysis: model specific population value and confidence interval estimation. Stat Med. 2004;23(13):2109-2123 PubMed | Link to Article

21
Pencina MJ, DAgostino RB Sr, DAgostino RB Jr, Vasan RS. Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Stat Med. 2008;27(2):157172 PubMed | Link to Article

22
Steyerberg E. Clinical Prediction Models: A Practical Approach to Development, Validation and Updating. New York, NY: Springer; 2009

23
Steyerberg EW, Vickers AJ, Cook NR, et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology. 2010;21(1):128-138 PubMed | Link to Article

24
D'Agostino RB, Nam BH. Evaluation of the Performance of Survival Analysis Models: Discrimination and Calibration Measures. San Francisco, CA: Elsevier; 2004:1-25

25
Pencina MJ, DAgostino RB Sr, Steyerberg EW. Extensions of net reclassification improvement calculations to measure usefulness of new biomarkers. Stat Med. 2011;30(1):11-21 PubMed | Link to Article

26
Putter H, Fiocco M, Geskus RB. Tutorial in biostatistics: competing risks and multi-state models. Stat Med. 2007;26(11):2389-2430 PubMed | Link to Article

27

Kim WR, Biggins SW, Kremers WK, et al. Hyponatremia and mortality among patients on the livertransplant waiting list. N Engl J Med. 2008;359(10):1018-1026 PubMed | Link to Article

28
Wilson PW, Pencina M, Jacques P, et al. C-reactive protein and reclassification of cardiovascular risk in the Framingham Heart Study. Circ Cardiovasc Qual Outcomes. 2008;1(2):92-97 PubMed | Link to Article

29
Batsis JA, Lopez-Jimenez F. Cardiovascular risk assessment: from individual risk prediction to estimation of global risk and change in risk in the population. BMC Med. 2010;829 PubMed | Link to Article

30
DAgostino RB Sr, Grundy S, Sullivan LM, et al. Validation of the Framingham coronary heart disease prediction scores: results of a multiple ethnic groups investigation. JAMA. 2001;286(2):180-187 PubMed | Link to Article

31
Leslie WD, Morin S, Lix LM. A before-and-after study of fracture risk reporting and osteoporosis treatment initiation. Ann Intern Med. 2010;153(9):580-586 PubMed

32
Pozen MW, DAgostino RB, Selker HP, et al. A predictive instrument to improve coronary-care-unit admission practices in acute ischemic heart disease. N Engl J Med. 1984;310(20):1273-1278 PubMed | Link to Article

33
Selker HP, Beshansky JR, Griffith JL, et al. Use of the acute cardiac ischemia time-insensitive predictive instrument (ACI-TIPI) to assist with triage of patients with chest pain or other symptoms suggestive of acute cardiac ischemia. Ann Intern Med. 1998;129(11):845-855 PubMed

34
Mller-Riemenschneider F, Holmberg C, Rieckmann N, et al. Barriers to routine risk-score use for healthy primary care patients. Arch Intern Med. 2010;170(8):719-724 PubMed | Link to Article

35
van Steenkiste B, van der Weijden T, Stoffers HE, Grol R. Barriers to implementing cardiovascular risk tables in routine general practice. Scand J Prim Health Care. 2004;22(1):32-37 PubMed | Link to Article

36
de Brito-Ashurst I, Varagunam M, Raftery MJ, Yaqoob MM. Bicarbonate supplementation slows progression of CKD and improves nutritional status. J Am Soc Nephrol. 2009;20(9):2075-2084 PubMed | Link to Article

37
Schwarz S, Trivedi BK, Kalantar-Zadeh K, Kovesdy CP. Association of disorders in mineral metabolism with progression of chronic kidney disease. Clin J Am Soc Nephrol. 2006;1(4):825-831 PubMed | Link to Article

38
Blantz RC. Handing out grades for care in chronic kidney disease: nephrologists versus nonnephrologists. Clin J Am Soc Nephrol. 2007;2(2):193-195 PubMed | Link to Article

39

OHare AM, Bertenthal D, Walter LC, et al. When to refer patients with chronic kidney disease for vascular access surgery: should age be a consideration? Kidney Int. 2007;71(6):555-561 PubMed | Link to Article

40
Kent D, Hayward R. Subgroup analyses in clinical trials. N Engl J Med. 2008;358(11):1199 PubMed | Link to Article

41
Kent DM, Hayward RA. Limitations of applying summary results of clinical trials to individual patients. JAMA. 2007;298(10):1209-1212 PubMed | Link to Article

42
Manns B, Hemmelgarn B, Tonelli M, et al. Population based screening for chronic kidney disease: cost effectiveness study. BMJ. 2010;341c5869 PubMed | Link to Article

43
Lasser KE, Himmelstein DU, Woolhandler S. Access to care, health status, and health disparities in the United States and Canada. Am J Public Health. 2006;96(7):1300-1307 PubMed | Link to Article