Risk Factors for Development of Acute Kidney Injury in Critically Ill Patients: A Systematic Review and Meta-Analysis of Observational Studies
Notice bibliographique
Résumé
Background. Acute kidney injury (AKI) is a frequent complication of critically ill patients. The impact of different risk factors associated with this entity in the ICU setting is unknown. Objectives. The purpose of this research was to assess the risk factors associated with the development of AKI in critically ill patients by meta-analyses of observational studies. Data Extraction. Two reviewers independently and in duplicate used a standardized form to collect data from published reports. Authors were contacted for missing data. The Newcastle-Ottawa scale assessed study quality. Data Synthesis. Data from 31 diverse studies that enrolled 504,535 critically ill individuals from a wide variety of ICUs were included. Separate random-effects meta-analyses demonstrated a significantly increased risk of AKI with older age, diabetes, hypertension, higher baseline creatinine, heart failure, sepsis/systemic inflammatory response syndrome, use of nephrotoxic drugs, higher severity of disease scores, use of vasopressors/inotropes, high risk surgery, emergency surgery, use of intra-aortic balloon pump, and longer time in cardiopulmonary bypass pump. Conclusion. The best available evidence suggests an association of AKI with 13 different risk factors in subjects admitted to the ICU. Predictive models for identification of high risk individuals for developing AKI in all types of ICU are required.
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 | 0,009 | 0,345 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».