Comparison of risk factors for contrast‐induced acute kidney injury between patients with and without diabetes
Notice bibliographique
Résumé
Although it is well known that diabetics are at a higher risk of contrast-induced acute kidney injury (CI-AKI) than nondiabetic patients, the reason for this discrepancy is not well known. Thus, in this study, we compared the predisposing factors for CI-AKI between patients with and without diabetes. We prospectively studied 290 consecutive in-hospital patients including 88 diabetics undergoing coronary angiography or a percutaneous coronary intervention in Kowsar hospital, and we compared risk factors for CI-AKI between diabetic and nondiabetic patients. CI-AKI was defined as RIFLE criteria within 48 hours after contrast exposure. The incidence of CR-AKI was significantly higher in diabetic patients compared with nondiabetics (P<0.05). The incidence of CI-AKI was significantly higher in patients with diabetes and left-ventricular ejection fraction ≤40%, hypercholesterolemia, serum creatinine ≥1.1 mg/dL, estimated glomerular filtration rate (eGFR) <90 mL/min, Contrast volume ≥80 (mL), maximum safe contrast volume factor of 1.5, and dehydration, while in nondiabetics, a significantly higher incidence of CR-AKI was observed in those with serum creatinine ≥1.1 mg/dL (P=0.02) and/or eGFR<60 mL/min (P=0.01). Multiple logistic regression analysis showed hyperchlosteremia to be the strongest predictor of AKI (P=0.01, B:14.5) in diabetics, followed by eGFR<90 (P=0.05, B:12.4) but, in nondiabetics, only eGFR<60 predicted the occurrence of CI-AKI (P=0.04, B:2.3). It seems that the predisposing factors to CI-AKI differ in diabetics and nondiabetics. In patients with diabetes, hypercholesterolemia is the strongest predictor of CI-AKI, followed by eGFR and diabetics are at risk for CI-AKI in the early stage of chronic kidney disease (stage 2), accounting for the higher incidence of CI-AKI in them.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».