Context

Chronic kidney disease (CKD) is common. Kidney disease severity can be classified by estimated glomerular filtration rate (GFR) and albuminuria, but more accurate information regarding risk for progression to kidney failure is required for clinical decisions about testing, treatment, and referral.

Objective

To develop and validate predictive models for progression of CKD.

Design, Setting, and Participants

Development and validation of prediction models using demographic, clinical, and laboratory data from 2 independent Canadian cohorts of patients with CKD stages 3 to 5 (estimated GFR, 10-59 mL/min/1.73 m²) who were referred to nephrologists between April 1, 2001, and December 31, 2008. Models were developed using Cox proportional hazards regression methods and evaluated using C statistics and integrated discrimination improvement for discrimination, calibration plots and Akaike Information Criterion for goodness of fit, and net reclassification improvement (NRI) at 1, 3, and 5 years.

Main Outcome Measure

Kidney failure, defined as need for dialysis or preemptive kidney transplantation.

Results

The development and validation cohorts included 3449 patients (386 with kidney failure [11%]) and 4942 patients (1177 with kidney failure [24%]), respectively. The most accurate model included age, sex, estimated GFR, albuminuria, serum calcium, serum phosphate, serum bicarbonate, and serum albumin (C statistic, 0.917; 95% confidence interval [CI], 0.901-0.933 in the development cohort and 0.841; 95% CI, 0.825-0.857 in the validation cohort). In the validation cohort, this model was more accurate than a simpler model that included age, sex, estimated GFR, and albuminuria (integrated discrimination improvement, 3.2%; 95% CI, 2.4%-4.2%; calibration [Nam and D’Agostino χ² statistic, 19 vs 32]; and reclassification for CKD stage 3 [NRI, 8.0%; 95% CI, 2.1%-13.9%] and for CKD stage 4 [NRI, 4.1%; 95% CI, −0.5% to 8.8%]).

Conclusion

A model using routinely obtained laboratory tests can accurately predict progression to kidney failure in patients with CKD stages 3 to 5.

Randomized trials demonstrated a lower risk of cardiovascular (CV) events with sodium-glucose cotransporter-2 inhibitors (SGLT-2i) in patients with type 2 diabetes (T2D) at high CV risk. Prior real-world data suggested similar SGLT-2i effects in T2D patients with a broader risk profile, but these studies focused on heart failure and death and were limited to the United States and Europe. The purpose of this study was to examine a broad range of CV outcomes in patients initiated on SGLT-2i versus other glucose-lowering drugs (oGLDs) across 6 countries in the Asia Pacific, the Middle East, and North American regions. New users of SGLT-2i and oGLDs were identified via claims, medical records, and national registries in South Korea, Japan, Singapore, Israel, Australia, and Canada. Propensity scores for SGLT-2i initiation were developed in each country, with 1:1 matching. Hazard ratios (HRs) for death, hospitalization for heart failure (HHF), death or HHF, MI, and stroke were assessed by country and pooled using weighted meta-analysis. After propensity-matching, there were 235,064 episodes of treatment initiation in each group; ∼27% had established CV disease. Patient characteristics were well-balanced between groups. Dapagliflozin, empagliflozin, ipragliflozin, canagliflozin, tofogliflozin, and luseogliflozin accounted for 75%, 9%, 8%, 4%, 3%, and 1% of exposure time in the SGLT-2i group, respectively. Use of SGLT-2i versus oGLDs was associated with a lower risk of death (HR: 0.51; 95% confidence interval [CI]: 0.37 to 0.70; p < 0.001), HHF (HR: 0.64; 95% CI: 0.50 to 0.82; p = 0.001), death or HHF (HR: 0.60; 95% CI: 0.47 to 0.76; p < 0.001), MI (HR: 0.81; 95% CI: 0.74 to 0.88; p < 0.001), and stroke (HR: 0.68; 95% CI: 0.55 to 0.84; p < 0.001). Results were directionally consistent across both countries and patient subgroups, including those with and without CV disease. In this large, international study of patients with T2D from the Asia Pacific, the Middle East, and North America, initiation of SGLT-2i was associated with a lower risk of CV events across a broad range of outcomes and patient characteristics. (Comparative Effectiveness of Cardiovascular Outcomes in New Users of SGLT-2 Inhibitors [CVD-REAL]; NCT02993614)

Chronic kidney disease (CKD) causes substantial global morbidity and increases cardiovascular and all-cause mortality. Unlike other chronic diseases with established strategies for screening, there has been no consensus on whether health systems and governments should prioritize early identification and intervention for CKD. Guidelines on evaluating and managing early CKD are available but have not been universally adopted in the absence of incentives or quality measures for prioritizing CKD care. The burden of CKD falls disproportionately upon persons with lower socioeconomic status, who have a higher prevalence of CKD, limited access to treatment, and poorer outcomes. Therefore, identifying and treating CKD at the earliest stages is an equity imperative. In 2019, Kidney Disease: Improving Global Outcomes (KDIGO) held a controversies conference entitled "Early Identification and Intervention in CKD." Participants identified strategies for screening, risk stratification, and treatment for early CKD and the key health system and economic factors for implementing these processes. A consensus emerged that CKD screening coupled with risk stratification and treatment should be implemented immediately for high-risk persons and that this should ideally occur in primary or community care settings with tailoring to the local context.

Globally, the number of patients undergoing maintenance dialysis is increasing, yet throughout the world there is significant variability in the practice of initiating dialysis. Factors such as availability of resources, reasons for starting dialysis, timing of dialysis initiation, patient education and preparedness, dialysis modality and access, as well as varied "country-specific" factors significantly affect patient experiences and outcomes. As the burden of end-stage kidney disease (ESKD) has increased globally, there has also been a growing recognition of the importance of patient involvement in determining the goals of care and decisions regarding treatment. In January 2018, KDIGO (Kidney Disease: Improving Global Outcomes) convened a Controversies Conference focused on dialysis initiation, including modality choice, access, and prescription. Here we present a summary of the conference discussions, including identified knowledge gaps, areas of controversy, and priorities for research. A major novel theme represented during the conference was the need to move away from a "one-size-fits-all" approach to dialysis and provide more individualized care that incorporates patient goals and preferences while still maintaining best practices for quality and safety. Identifying and including patient-centered goals that can be validated as quality indicators in the context of diverse health care systems to achieve equity of outcomes will require alignment of goals and incentives between patients, providers, regulators, and payers that will vary across health care jurisdictions.

Abstract Background Clinical practice guidelines for patients with chronic kidney disease (CKD) recommend regular monitoring and management of kidney function and CKD risk factors. However, the majority of patients with stage 3 CKD lack a diagnosis code, and data on the implementation of these recommendations in the real world are limited. Aim To assess the implementation of guideline‐directed monitoring and management practices in the real world in patients with stage 3 CKD without a recorded diagnosis code. Methods REVEAL‐CKD (NCT04847531) is a multinational, observational study of patients with stage 3 CKD. Eligible patients had ≥2 consecutive estimated glomerular filtration rate (eGFR) measurements indicative of stage 3 CKD recorded >90 and ≤730 days apart, lacked an International Classification of Diseases 9/10 diagnosis code corresponding to CKD any time before and up to 6 months after the second eGFR measurement. Testing of key measures of care quality were assessed. Results The study included 435,971 patients from 9 countries. In all countries, the prevalence of urinary albumin–creatinine ratio and albuminuria testing was low. Angiotensin‐converting enzyme inhibitor, angiotensin receptor blocker and statin prescriptions were highly variable, and sodium–glucose cotransporter‐2 inhibitor prescriptions remained below 21%. Blood pressure measurements were recorded in 20.2%–89.9% of patients. Conclusions Overall, a large proportion of patients with evidence of stage 3 CKD did not receive recommended, guideline‐directed monitoring and management. The variability in standard of care among countries demonstrates a clear opportunity to improve monitoring and management of these patients, most likely improving long‐term outcomes.

Introduction & Objective: Early identification of at-risk CKD can facilitate timely interventions and improve patient (pt) outcomes. This study applied a previously published and validated machine learning model, Klinrisk, to predict CKD progression risk in a US population. Methods: A retrospective observational study was conducted in 1,050,552 adult pts with CKD from Optum’s electronic health records database (1/1/2007 - 9/30/2022). Klinrisk was applied to predict risk of CKD progression. The predicted risk was used to classify pts into 3 risk groups: low, medium, and high, which were compared to the Kidney Disease Improving Global Outcomes (KDIGO) classification criteria. Kaplan-Meier (KM) analysis of actual disease progression was performed in each risk group defined by 2-year predicted risk. Results: Pts classified as high-risk were older, with a larger proportion of males, lower eGFR levels, and higher urine albumin-to-creatinine ratio (UACR) levels. Compared to the KDIGO criteria, Klinrisk identified more pts who progressed into medium and high-risk groups. Observed progression rate matched the predicted progression risk with clear separations observed for different risk groups (Figure). Conclusion: The Klinrisk model accurately identifies pts at high-risk, enabling early detection and intervention. Disclosure N. Tangri: Consultant; AstraZeneca. Research Support; Bayer Inc. Consultant; Bayer Inc., Eli Lilly and Company, Boehringer-Ingelheim, Roche Diagnostics, Otsuka America Pharmaceutical, Inc. Other Relationship; Klinrisk. R. Singh: None. K.A. Betts: Consultant; Bayer Inc. Y. Du: Employee; Bayer Inc. Stock/Shareholder; Bayer Inc. S. Gao: Other Relationship; Bayer Inc. A. Katta: None. Y. Farag: Employee; Bayer Inc. S.T. Fatoba: Employee; Bayer Inc. H. Liu: Other Relationship; Bayer Inc. J. Chen: Other Relationship; Bayer Inc. T. Ferguson: Stock/Shareholder; Klinrisk Inc. Consultant; Klinrisk Inc., Strategic Health Resources Ltd., ClinPredict Ltd, AlphaLabs. R. Whitlock: None. S. Leon: Other Relationship; Quanta Dialysis Technologies. A.K. Singh: Consultant; Bayer Inc., GlaxoSmithKline plc, Novartis AG, Novo Nordisk.

Abstract Aim To validate the Klinrisk machine learning model for prediction of chronic kidney disease (CKD) progression in patients with type 2 diabetes in the pooled CANVAS/CREDENCE trials. Materials and Methods We externally validated the Klinrisk model for prediction of CKD progression, defined as 40% or higher decline in estimated glomerular filtration rate (eGFR) or kidney failure. Model performance was assessed for prediction up to 3 years with the area under the receiver operating characteristic curve (AUC), Brier scores and calibration plots of observed and predicted risks. We compared performance of the model with standard of care using eGFR (G1‐G4) and urine albumin‐creatinine ratio (A1‐A3) Kidney Disease Improving Global Outcomes (KDIGO) heatmap categories. Results The Klinrisk model achieved an AUC of 0.81 (95% confidence interval [CI] 0.78‐0.83) at 1 year, and 0.88 (95% CI 0.86‐0.89) at 3 years. The Brier scores were 0.020 (0.018‐0.022) and 0.056 (0.052‐0.059) at 1 and 3 years, respectively. Compared with the KDIGO heatmap, the Klinrisk model had improved performance at every interval ( P < .01). Conclusions The Klinrisk machine learning model, using routinely collected laboratory data, was highly accurate in its prediction of CKD progression in the CANVAS/CREDENCE trials. Integration of the model in electronic medical records or laboratory information systems can facilitate risk‐based care.