MétaCan
Menu
Retour à la cohorte
Enregistrement W2606071384 · doi:10.1093/ndt/gfx026

A risk prediction score for acute kidney injury in the intensive care unit

2017· article· en· W2606071384 sur OpenAlexaff
Rakesh Malhotra, Kianoush Kashani, Etienne Macedo, Jihoon Kim, Josée Bouchard, Susan Wynn, Guangxi Li, Lucila Ohno‐Machado, Ravindra L. Mehta

Notice bibliographique

RevueNephrology Dialysis Transplantation · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Kidney Injury Research
Établissements canadiensUniversité de MontréalHôpital du Sacré-Cœur de Montréal
Organismes subventionnairesnon disponible
Mots-clésMedicineAcute kidney injuryKidney diseaseInternal medicineIntensive care unitProspective cohort studyCohortFramingham Risk ScoreCreatinineIntensive care medicineReceiver operating characteristicCohort studyDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Acute kidney injury (AKI) is common in critically ill patients and is associated with high morbidity and mortality. Early identification of high-risk patients provides an opportunity to develop strategies for prevention, early diagnosis and treatment of AKI. METHODS: We undertook this multicenter prospective cohort study to develop and validate a risk score for predicting AKI in patients admitted to an intensive care unit (ICU). Patients were screened for predictor variables within 48 h of ICU admission. Baseline and acute risk factors were recorded at the time of screening and serum creatinine was measured daily for up to 7 days. A risk score model for AKI was developed with multivariate regression analysis combining baseline and acute risk factors in the development cohort (573 patients) and the model was further evaluated on a test cohort (144 patients). Validation was performed on an independent prospective cohort of 1300 patients. The discriminative ability of the risk model was assessed by the area under the receiver operating characteristic curve (AUROC) and model calibration was evaluated by Hosmer-Lemeshow statistic. AKI was defined by the Kidney Disease: Improving Global Outcomes criteria (absolute change of 0.3 mg/dL or relative change of 50% from baseline serum creatinine in 48 h to 7 days, respectively). RESULTS: AKI developed in 754 (37.2%) patients. In the multivariate model, chronic kidney disease, chronic liver disease, congestive heart failure, hypertension, atherosclerotic coronary vascular disease, pH ≤ 7.30, nephrotoxin exposure, sepsis, mechanical ventilation and anemia were identified as independent predictors of AKI and the AUROC for the model in the test cohort was 0.79 [95% confidence interval (CI) 0.70-0.89]. On the external validation cohort, the AUROC value was 0.81 (95% CI 0.78-0.83). The risk model demonstrated good calibration in both cohorts. Positive and negative predictive values for the optimal cutoff value of ≥ 5 points in test and validation cohorts were 22.7 and 96.1% and 31.8 and 95.4%, respectively. CONCLUSIONS: A risk score model integrating chronic comorbidities and acute events at ICU admission can identify patients at high risk to develop AKI. This risk assessment tool could help clinicians to stratify patients for primary prevention, surveillance and early therapeutic intervention to improve care and outcomes of ICU patients.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,349
Écart entre enseignants0,319 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations203
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNephrology Dialysis TransplantationMême sujetAcute Kidney Injury ResearchTravaux en français237 207