Use of Biomarkers to Assess Prognosis and Guide Management of Patients with Acute Kidney Injury
Notice bibliographique
Résumé
Several new biomarkers of kidney damage have been characterized and are being validated in clinical studies. These damage biomarkers complement existing conventional biomarkers of kidney function (e.g. serum creatinine, serum urea, and urine output) that are currently utilized to diagnose and stage acute kidney injury (AKI). Both functional and damage biomarkers provide an opportunity to identify patients with AKI who are at risk for a less favorable prognosis in terms of worsening damage or further declines in kidney function and likelihood of need for renal replacement. We performed a systemic search and review of the available literature pre-conference. Our workgroup presented the findings in multiple rounds to the ADQI conference members and a final summary and review was refined in an iterative approach. The specific clinical situations of renal or liver transplantation, or cirrhosis/hepatorenal syndrome were not included. Overall, multiple AKI biomarkers have been well characterized for utilization for AKI prognosis. These functional and damage markers can be used to assist in decisions related to triage of patients with AKI and identifying patients with who are at risk for progression. Set cut-offs for various biomarkers and their bedside utility are forthcoming and will be in part determined by regulatory intended use guidelines, platform standardization, and inter-laboratory calibration. There remain many unresolved areas of AKI biomarker use in selected syndromes of AKI (e.g. cardiorenal syndrome, hepatorenal syndrome). As clinicians gain experience with AKI biomarkers, clinical care plans that incorporate them into routine care will shortly follow.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».