Predicting Acute Renal Failure after Cardiac Surgery: Validation and Re‐definition of a Risk‐Stratification Algorithm
Notice bibliographique
Résumé
BACKGROUND: Acute renal failure (ARF) after cardiac surgery is associated with significant morbidity and mortality, irrespective of the need for dialysis. Previous studies have attempted to identify predictors of ARF and develop risk stratification algorithms. This study aims to validate the algorithm in an independent cohort of patients that includes a significant proportion of female and black patients and compares two different definitions of renal outcome. METHODS: A large single center cardiac surgery database was examined (n, 24,660; 1993-2000) which included 29.9% females and 3.7% black patients. Post-operative ARF was defined as: a) ARF requiring dialysis, b) > 50% reduction in creatinine clearance relative to baseline or requiring dialysis. Clinical variables related to baseline renal function and cardiovascular disease were used in recursive partitioning analysis for both outcome definitions. Chi-square goodness of fit analysis was performed to validate the algorithm. RESULTS: The frequency of post-operative ARF requiring dialysis ranged between 0.5 and 15.5% based on the risk categories with the area under the receiver operating characteristic (ROC) curve of 0.78. Using the more inclusive definition of ARF, the frequency was significantly higher ranging from 2.6 to 25%(P < 0.001) with an area under ROC curve of 0.65. CONCLUSIONS: The renal risk stratification algorithm is valid in predicting post-operative ARF in an independent cohort of patients, well represented by differences in gender and race. Since the need for dialysis remains subjective, a more objective and inclusive definition of ARF may help in identifying a larger number of patients 'at-risk'.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».