Predicting Acute Renal Failure after Cardiac Surgery
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Different scores to predict acute kidney injury after cardiac surgery have been developed recently. The purpose of this study was to validate externally two clinical scores developed at Cleveland and Toronto. DESIGN, SETTING, PARTICIPANTS, & MEASUREMENTS: A retrospective analysis was conducted of a prospectively maintained database of all cardiac surgeries performed during a 5-yr period (2002 to 2006) at a University Hospital in Madrid, Spain. Acute kidney injury was defined as the need for renal replacement therapy. For evaluation of the performance of both models, discrimination and calibration were measured. RESULTS: Frequency of acute kidney injury after cardiac surgery was 3.7% in the cohort used to validate the Cleveland score and 3.8% in the cohort used to validate the Toronto score. Discrimination of both models was excellent, with values for the areas under the receiving operator characteristics curves of 0.86 (95% confidence interval 0.81 to 0.9) and 0.82 (95% confidence interval 0.76 to 0.87), respectively. Calibration was poor, with underestimation of the risk for acute kidney injury except for patients within the very-low-risk category. The performance of both models clearly improved after recalibration. CONCLUSIONS: Both models were found to be very useful to discriminate between patients who will and will not develop acute kidney injury after cardiac surgery; however, before using the scores to estimate risk probabilities at a specific center, recalibration may be needed.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».