Combination of biomarkers for diagnosis of acute kidney injury after cardiopulmonary bypass
Notice bibliographique
Résumé
Novel acute kidney injury (AKI) biomarkers offer promise of earlier diagnosis and risk stratification, but have yet to find widespread clinical application. We measured urinary α and π glutathione S-transferases (α-GST and π-GST), urinary l-type fatty acid-binding protein (l-FABP), urinary neutrophil gelatinase-associated lipocalin (NGAL), urinary hepcidin and serum cystatin c (CysC) before surgery, post-operatively and at 24 h after surgery in 93 high risk patient undergoing cardiopulmonary bypass (CPB) and assessed the ability of these biomarkers alone and in combination to predict RIFLE-R defined AKI in the first 5 post-operative days. Twenty-five patients developed AKI. π-GST (ROCAUC = 0.75), lower urine Hepcidin:Creatine ratio at 24 h (0.77), greater urine NGAL:Cr ratio post-op (0.73) and greater serum CysC at 24 h (0.72) best predicted AKI. Linear combinations with significant improvement in AUC were: Hepcidin:Cr 24 h + post-operative π-GST (AUC = 0.86, p = 0.01), Hepcidin:Cr 24 h + NGAL:Cr post-op (0.84, p = 0.03) and CysC 24 h + post-operative π-GST (0.83, p = 0.03), notably these significant biomarkers combinations all involved a tubular injury and a glomerular filtration biomarker. Despite statistical significance in receiver-operator characteristic (ROC) analysis, when assessed by ability to define patients to two groups at high and low risk of AKI, combinations failed to significantly improve classification of risk compared to the best single biomarkers. In an alternative approach using Classification and Regression Tree (CART) analysis a model involving NGAL:Cr measurement post-op followed by Hepcidin:Cr at 24 h was developed which identified high, intermediate and low risk groups for AKI. Regression tree analysis has the potential produce models with greater clinical utility than single combined scores.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».