Impact of Antibiotic Treatment Intensity on Long-Term Sepsis-Associated Kidney Injury in a Polymicrobial Peritoneal Contamination and Infection Model
Notice bibliographique
Résumé
BACKGROUND/AIMS: Long-term kidney affections after sepsis are poorly understood. Animal models for investigating kidney damage in the late phase of disease progression are limited. The aim of this study was to investigate the impact of two antibiotic regimes on persistence of kidney injury after peritonitis. METHODS: Kidney damage was investigated 65 days after polymicrobial peritoneal contamination and infection (PCI) sepsis induction in C57BL/6 mice. Short-term antibiotic therapy (STA, 4 days) was compared to long-term (LTA, 10 days) treatment using plasma creatinine, plasma and urine neutrophil gelatinase-associated lipocalin (NGAL), urine albumin/creatinine ratio and renal histology. RESULTS: Sepsis resulted in mortality rates of 68.2% (STA) and 61.0% (LTA). Surviving STA animals showed the most pronounced kidney damage indicated by significantly elevated levels of creatinine and acute tubular damage (ATD), whereas NGAL was significantly increased in LTA survivors only. A creatinine level above 0.3 mg/dl was used to define kidney injury, found in 21.4% of STA animals and 7.8% of LTA animals. While animals with kidney injury demonstrated significantly higher ATD scores and persistent tubular damage, no significant differences were found for plasma or urine NGAL levels or urine albumin/creatinine ratios. CONCLUSION: Prolonged antibiotic treatment reduced the rate of ongoing peritonitis-induced kidney injury in a C57BL/6 mouse model. Plasma or urine NGAL levels were not able to identify animals with or without persistent kidney injury. The kidney injury after the PCI mouse model represents prototypic clinical findings and should be used for further studies investigating disease mechanisms.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».