Kidney biomarkers and differential diagnosis of patients with cirrhosis and acute kidney injury
Notice bibliographique
Résumé
UNLABELLED: Acute kidney injury (AKI) is common in patients with cirrhosis and associated with significant mortality. The most common etiologies of AKI in this setting are prerenal azotemia (PRA), acute tubular necrosis (ATN), and hepatorenal syndrome (HRS). Accurately distinguishing the etiology of AKI is critical, as treatments differ markedly. However, establishing an accurate differential diagnosis is extremely challenging. Urinary biomarkers of kidney injury distinguish structural from functional causes of AKI and may facilitate more accurate and rapid diagnoses. We conducted a multicenter, prospective cohort study of patients with cirrhosis and AKI assessing multiple biomarkers for differential diagnosis of clinically adjudicated AKI. Patients (n = 36) whose creatinine returned to within 25% of their baseline within 48 hours were diagnosed with PRA. In addition, 76 patients with progressive AKI were diagnosed by way of blinded retrospective adjudication. Of these progressors, 39 (53%) patients were diagnosed with ATN, 19 (26%) with PRA, and 16 (22%) with HRS. Median values for neutrophil gelatinase-associated lipocalin (NGAL), interleukin-18 (IL-18), kidney injury molecule-1 (KIM-1), liver-type fatty acid binding protein (L-FABP), and albumin differed between etiologies and were significantly higher in patients adjudicated with ATN. The fractional excretion of sodium (FENa) was lowest in patients with HRS, 0.10%, but did not differ between those with PRA, 0.27%, or ATN, 0.31%, P = 0.54. The likelihood of being diagnosed with ATN increased step-wise with the number of biomarkers above optimal diagnostic cutoffs. CONCLUSION: Urinary biomarkers of kidney injury are elevated in patients with cirrhosis and AKI due to ATN. Incorporating biomarkers into clinical decision making has the potential to more accurately guide treatment by establishing which patients have structural injury underlying their AKI. Further research is required to document biomarkers specific to HRS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».