Biomarkers Predict Progression of Acute Kidney Injury after Cardiac Surgery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Being able to predict whether AKI will progress could improve monitoring and care, guide patient counseling, and assist with enrollment into trials of AKI treatment. Using samples from the Translational Research Investigating Biomarker Endpoints in AKI study (TRIBE-AKI), we evaluated whether kidney injury biomarkers measured at the time of first clinical diagnosis of early AKI after cardiac surgery can forecast AKI severity. Biomarkers included urinary IL-18, urinary albumin to creatinine ratio (ACR), and urinary and plasma neutrophil gelatinase-associated lipocalin (NGAL); each measurement was on the day of AKI diagnosis in 380 patients who developed at least AKI Network (AKIN) stage 1 AKI. The primary end point (progression of AKI defined by worsening AKIN stage) occurred in 45 (11.8%) patients. Using multivariable logistic regression, we determined the risk of AKI progression. After adjustment for clinical predictors, compared with biomarker values in the lowest two quintiles, the highest quintiles of three biomarkers remained associated with AKI progression: IL-18 (odds ratio=3.0, 95% confidence interval=1.3-7.3), ACR (odds ratio=3.4, 95% confidence interval=1.3-9.1), and plasma NGAL (odds ratio=7.7, 95% confidence interval=2.6-22.5). Each biomarker improved risk classification compared with the clinical model alone, with plasma NGAL performing the best (category-free net reclassification improvement of 0.69, P<0.0001). In conclusion, biomarkers measured on the day of AKI diagnosis improve risk stratification and identify patients at higher risk for progression of AKI and worse patient outcomes.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| 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 découle