Risk prediction models for acute kidney injury following major noncardiac surgery: systematic review
Notice bibliographique
Résumé
BACKGROUND: Acute kidney injury (AKI) is a serious complication of major noncardiac surgery. Risk prediction models for AKI following noncardiac surgery may be useful for identifying high-risk patients to target with prevention strategies. METHODS: We conducted a systematic review of risk prediction models for AKI following major noncardiac surgery. MEDLINE, EMBASE, BIOSIS Previews and Web of Science were searched for articles that (i) developed or validated a prediction model for AKI following major noncardiac surgery or (ii) assessed the impact of a model for predicting AKI following major noncardiac surgery that has been implemented in a clinical setting. RESULTS: We identified seven models from six articles that described a risk prediction model for AKI following major noncardiac surgeries. Three studies developed prediction models for AKI requiring renal replacement therapy following liver transplantation, three derived prediction models for AKI based on the Risk, Injury, Failure, Loss of kidney function, End-stage kidney disease (RIFLE) criteria following liver resection and one study developed a prediction model for AKI following major noncardiac surgical procedures. The final models included between 4 and 11 independent variables, and c-statistics ranged from 0.79 to 0.90. None of the models were externally validated. CONCLUSIONS: Risk prediction models for AKI after major noncardiac surgery are available; however, these models lack validation, studies of clinical implementation and impact analyses. Further research is needed to develop, validate and study the clinical impact of such models before broad clinical uptake.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».