Assessment of glomerular filtration rate in the neonate
Notice bibliographique
Résumé
PURPOSE OF REVIEW: This article answers the question of whether creatinine is the best biomarker for monitoring neonatal glomerular filtration rate (GFR) in view of recent advances in measuring neonatal renal function. RECENT FINDINGS: We rely largely on serum creatinine for the estimation of GFR in the newborn, even though creatinine is freely exchanged through the placenta. During the first few days of life, the serum creatinine reflects maternal renal function or the maternal creatinine. Back filtration of creatinine in preterm newborns is also a serious limitation. This review summarizes current knowledge on the prenatal and postnatal handling of creatinine as well as that of other, more novel biomarkers of GFR, such as cystatin C (CysC) and β-trace protein (BTP). Only small amounts of CysC cross the placenta, whereas BTP does not cross the placenta at all. However, BTP measurements are not widely available. Recent studies on renal volumetry are also discussed. SUMMARY: Currently, CysC may be the most suitable marker of neonatal renal function, but its availability is still limited, it is more costly, and the best method of reporting acute kidney injury and neonatal estimated GFR remains to be established.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».