MétaCan
Menu
Retour à la cohorte
Enregistrement W2056754104 · doi:10.1159/000142930

New Insights on Intravenous Fluids, Diuretics and Acute Kidney Injury

2008· review· en· W2056754104 sur OpenAlexaff
Derek R. Townsend, Sean M. Bagshaw

Notice bibliographique

RevueNephron Clinical Practice · 2008
Typereview
Langueen
DomaineMedicine
ThématiqueAcute Kidney Injury Research
Établissements canadiensUniversity of Alberta Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicineIntensive care medicineAcute kidney injuryDiureticResuscitationIntravascular volume statusVolume overloadContext (archaeology)Internal medicineAnesthesiaHeart failureHemodynamics

Résumé

récupéré en direct d'OpenAlex

Acute kidney injury (AKI) is commonly and increasingly encountered in patients with critical illness. Fluid therapy is the cornerstone for the prevention and management of critically ill patients with AKI. New data have emerged that have raised concern that specific types of fluid (i.e. hydroxyethylstarch) may either contribute to or exacerbate AKI. Additional data have accumulated to indicate that the unnecessary accumulation of fluid and volume overload can negatively impact clinical outcomes. This finding may be further compounded in patients with oliguric AKI where solute and free water elimination are impaired. Diuretic therapy in AKI remains controversial. However, diuretic use is common, despite a paucity of evidence to show improved clinical outcomes. There are few therapeutic interventions proven to impact the clinical course and outcome of critically ill patients with established AKI. Current management strategies center largely on supportive care, with rapid resuscitation, removal of the stimulus contributing to AKI, judicious avoidance of complications, and allowing time for recovery. In this review, we explore recent insights on intravenous fluid therapy, volume overload, and diuretic therapy in the context of the critically ill patients with AKI.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,114
Tête enseignante GPT0,494
Écart entre enseignants0,380 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNephron Clinical PracticeMême sujetAcute Kidney Injury ResearchTravaux en français237 207