Patient- and treatment-related determinants of convective volume in post-dilution haemodiafiltration in clinical practice
Notice bibliographique
Résumé
BACKGROUND: Large convective volumes are recommended for online haemodiafiltration (HDF) to maximize solute removal. There has been little systematic evaluation of factors that determine convective volumes in routine clinical practice. METHODS: In the present study, potential patient- and treatment-related determinants of convective volume were analysed in 235 consecutive patients on post-dilution HDF using multivariable linear regression models. All patients (age 64 +/- 14 years; 61% male) participated in the ongoing CONvective TRAnsport STudy (CONTRAST). Additionally, differences in convective volumes between dialysers were evaluated. RESULTS: The mean convective volume was 19.4 +/- 4.0 L (+/-SD) per treatment, with a large variation between the participating centres (centre means ranging from 13.4 +/- 0.9 L to 24.5 +/- 0.12 L, +/- SE). The mean filtration fraction of the blood flow was 25.9 +/- 3.6. In the multivariable analysis, factors that were significantly related to convective volume were haematocrit [inversely, regression coefficient (B) = -1.4 +/- 0.4 L per 10%], serum albumin (positively, B = 1.0 +/- 0.4 L per 10 g/L), blood flow rate (positively, B = 0.4 +/- 0.04 L per 10 mL/min) and treatment time (positively, B = 5.1 +/- 0.4 L/h). In addition, significant differences between dialysers were observed, likely explained by different operational conditions. CONCLUSIONS: Apart from increasing the treatment time and blood flow rate, convective volumes could be optimized by increasing the filtration fraction in each individual, provided that transmembrane pressures are well within safe limits. The precise role of dialyser characteristics on maximal achievable convective volumes in clinical practice is a topic for further research.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».