Postoperative Biomarkers Predict Acute Kidney Injury and Poor Outcomes after Adult 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
Acute kidney injury (AKI) is a frequent complication of cardiac surgery and increases morbidity and mortality. The identification of reliable biomarkers that allow earlier diagnosis of AKI in the postoperative period may increase the success of therapeutic interventions. Here, we conducted a prospective, multicenter cohort study involving 1219 adults undergoing cardiac surgery to evaluate whether early postoperative measures of urine IL-18, urine neutrophil gelatinase-associated lipocalin (NGAL), or plasma NGAL could identify which patients would develop AKI and other adverse patient outcomes. Urine IL-18 and urine and plasma NGAL levels peaked within 6 hours after surgery. After multivariable adjustment, the highest quintiles of urine IL-18 and plasma NGAL associated with 6.8-fold and 5-fold higher odds of AKI, respectively, compared with the lowest quintiles. Elevated urine IL-18 and urine and plasma NGAL levels associated with longer length of hospital stay, longer intensive care unit stay, and higher risk for dialysis or death. The clinical prediction model for AKI had an area under the receiver-operating characteristic curve (AUC) of 0.69. Urine IL-18 and plasma NGAL significantly improved the AUC to 0.76 and 0.75, respectively. Urine IL-18 and plasma NGAL significantly improved risk prediction over the clinical models alone as measured by net reclassification improvement (NRI) and integrated discrimination improvement (IDI). In conclusion, urine IL-18, urine NGAL, and plasma NGAL associate with subsequent AKI and poor outcomes among adults undergoing cardiac surgery.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| 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