Prédiction du risque de néphropathie chronique : considérations pour les soins primaires
Résumé
La néphropathie chronique touche plus d’un Canadien sur dix et est en grande partie prise en charge dans le cadre des soins primaires. Le diabète est la principale cause de néphropathie chronique, et les fournisseurs de soins primaires traitent souvent les causes sous-jacentes et les affections concomitantes liées à la néphropathie chronique, de même qu’ils gèrent les répercussions néfastes de la maladie elle-même.
Il est important de reconnaître que l’évolution de la néphropathie chronique est un processus variable. Alors que la fonction rénale de la plupart des adultes diminue d’environ 1 ml/min chaque année après l’âge de 40 ans, les reins perdent rapidement leur fonction chez certains patients, entraînant des hospitalisations pour insuffisance cardiaque et la progression vers l’insuffisance rénale, tandis qu’ils restent stables pendant des décennies chez d’autres et n’ont besoin que d’une intervention supplémentaire minimale. Les progrès récents accomplis dans la prédiction des risques de néphropathie chronique permettent à tous les fournisseurs de soins de déterminer précisément quelles personnes sont exposées à un risque élevé. Ces innovations offrent la possibilité d’utiliser des traitements très efficaces qui ralentissent et, dans de nombreux cas, normalisent le taux de perte de la fonction rénale, ce qui permet de réduire le risque d’insuffisance rénale tout au long de la vie. (Figure 1).
Cet article couvre les aspects essentiels dont il faut tenir compte dans le dépistage, la stratification du risque et le traitement de la néphropathie chronique dans le cadre des soins primaires. Il met en outre l’accent sur les outils facilement disponibles dans la pratique clinique. Nous sommes convaincus qu’un paradigme de dépistage, de tri et de traitement dans la néphropathie chronique peut mener à des résultats optimaux pour les patients et les systèmes de santé.
Références
Kitzler TM, Chun J. Understanding the current landscape of kidney disease in Canada to advance precision medicine guided personalized care. Can J Kidney Health Dis. 2023;10:20543581231154185. doi:10.1177/20543581231154185. PMID: 36798634; PMCID: PMC9926383.
Li L, Astor BC, Lewis J, Hu B, Appel LJ, Lipkowitz MS, et al. Longitudinal progression trajectory of GFR among patients with CKD. Am J Kidney Dis. 2012;59(4):504–12. doi:10.1053/j.ajkd.2011.12.009. PMID: 22284441; PMCID: PMC3312980.
Tangri N. Risk stratification to improve care and outcomes in diabetic kidney disease. Can Diabetes Endocrinol Today. 2024;2(1):5–10. Available from: https://canadiandiabetesandendocrinologytoday.com/article/view/2-1-Tangri
Naylor KL, Kim SJ, McArthur E, Garg AX, McCallum MK, Knoll GA. Mortality in incident maintenance dialysis patients versus incident solid organ cancer patients: a population-based cohort. Am J Kidney Dis. 2019;73(6):765–76. doi:10.1053/j.ajkd.2018.12.011. PMID: 30738630.
Diabetes Canada Clinical Practice Guidelines Expert Committee. Diabetes Canada 2018 clinical practice guidelines for the prevention and management of diabetes in Canada. Can J Diabetes. 2018;42(Suppl 1):S1–S325.
Chu CD, Xia F, Du Y, et al. Estimated prevalence and testing for albuminuria in US adults at risk for chronic kidney disease. JAMA Netw Open. 2023;6(7):e2326230. doi:10.1001/jamanetworkopen.2023.26230.
Tangri N, Stevens LA, Griffith J, Tighiouart H, Djurdjev O, Naimark D, et al. A predictive model for progression of chronic kidney disease to kidney failure. JAMA. 2011;305(15):1553–9. doi:10.1001/jama.2011.451. PMID: 21482743.
Tangri N, Grams ME, Levey AS, et al. Multinational assessment of accuracy of equations for predicting risk of kidney failure: a meta-analysis. JAMA. 2016;315(2):164–74. doi:10.1001/jama.2015.18202.
Kidney Disease: Improving Global Outcomes (KDIGO) CKD Work Group. KDIGO 2024 clinical practice guideline for the evaluation and management of chronic kidney disease. Kidney Int. 2024;105(4S):S117–S314. doi:10.1016/j.kint.2023.10.018. PMID: 38490803.
Chu CD, Chen MH, McCulloch CE, Powe NR, Estrella MM, Shlipak MG, et al. Patient awareness of CKD: a systematic review and meta-analysis of patient-oriented questions and study setting. Kidney Med. 2021;3(4):576–85.e1. doi:10.1016/j.xkme.2021.03.014. PMID: 34401725; PMCID: PMC8350814.
Ferguson T, Ravani P, Sood MM, Clarke A, Komenda P, Rigatto C, Tangri N. Development and external validation of a machine learning model for progression of CKD. Kidney Int Rep. 2022;7(8):1772–81. doi:10.1016/j.ekir.2022.05.004.
Tangri N, Ferguson T, Leon SJ, Anker SD, Filippatos G, Pitt B, et al. Validation of the Klinrisk chronic kidney disease progression model in the FIDELITY population. Clin Kidney J. 2024;17(4):sfae052. doi:10.1093/ckj/sfae052. PMID: 38650758; PMCID: PMC11033844.
Tangri N, Ferguson TW, Bamforth RJ, Leon SJ, Arnott C, Mahaffey KW, et al. Machine learning for prediction of chronic kidney disease progression: validation of the Klinrisk model in the CANVAS Program and CREDENCE trial. Diabetes Obes Metab. 2024;26(8):3371–80. doi:10.1111/dom.15678. PMID: 38807510.
Boehringer Ingelheim, Carelon Research. Novel AI-driven model validated to predict risk of chronic kidney disease progression in large U.S. study [Internet]. PR Newswire; 2023 Nov 4 [cited 2025 May 13]. Available from: https://www.prnewswire.com/news-releases/novel-ai-driven-model-validated-to-predict-risk-of-chronic-kidney-disease-progression-in-large-us-study-301977580.html
Grams ME, Brunskill NJ, Ballew SH, Sang Y, Coresh J, Matsushita K, et al. Development and validation of prediction models of adverse kidney outcomes in the population with and without diabetes. Diabetes Care. 2022;45(9):2055–63. doi:10.2337/dc22-0698.
Publié
Comment citer
Numéro
Rubrique
Licence
© Canadian Primary Care Today 2025

Cette œuvre est sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.