MétaCan
Menu
Retour à la cohorte
Enregistrement W2607857384 · doi:10.1186/s12882-017-0552-3

Diagnosis and outcomes of acute kidney injury using surrogate and imputation methods for missing preadmission creatinine values

2017· article· en· W2607857384 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueBMC Nephrology · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Kidney Injury Research
Établissements canadiensUniversité de MontréalHôpital du Sacré-Cœur de Montréal
Organismes subventionnairesKidney Foundation of CanadaAmerican Society of Nephrology
Mots-clésMedicineCreatinineAcute kidney injuryNephrologyInternal medicineImputation (statistics)Missing dataIntensive care medicineStatistics

Résumé

récupéré en direct d'OpenAlex

Missing preadmission serum creatinine (SCr) values are a common obstacle to assess acute kidney injury (AKI) diagnosis and outcomes. The Kidney Disease Improving Global Outcomes (KDIGO) guidelines suggest using a SCr computed from the Modification of Diet in Renal Disease (MDRD) with an estimated glomerular filtration rate of 75 ml/min/1.73 m 2 . We aimed to identify the best surrogate method for baseline SCr to assess AKI diagnosis and outcomes. We compared the use of 1) first SCr at hospital admission 2) minimal SCr over 2 weeks after intensive care unit admission 3) MDRD computed SCr and 4) Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) computed SCr to assess AKI diagnosis and outcomes. We then performed multilinear regression models to predict preadmission SCr and imputation strategies to assess AKI diagnosis. Our one-year retrospective cohort study included 1001 critically ill adults; 498 of them had preadmission SCr values. In these patients, AKI incidence was 25.1% using preadmission SCr. First SCr had the best agreement for AKI diagnosis (22.5%; kappa = 0.90) and staging (kappa = 0.81). MDRD, CKD-EPI and minimal SCr overestimated AKI diagnosis (26.7%, 27.1% and 43.2%;kappa = 0.86, 0.86 and 0.60, respectively). However, MDRD and CKD-EPI computed SCr had a better sensitivity than first SCr for AKI (93% and 94% vs. 87%). Eighty-eight percent of patients experienced renal recovery at least 3 months after hospital discharge. All methods except the first SCr significantly underestimated the percentage of renal recovery. In a multivariate model, age, male gender, hypertension, heart failure, undergoing surgery and log first SCr best predicted preadmission SCr (adjusted R 2 = 0.56). Imputation methods with first SCr increased AKI incidence to 23.9% (kappa = 0.92) but not with MDRD computed SCr (26.7%;kappa = 0.89). In our cohort, first SCr performed better for AKI diagnosis and staging, as well as for renal recovery after hospital discharge than MDRD, CKD-EPI or minimal SCr. However, MDRD SCr and CKD-EPI SCr improved AKI diagnosis sensitivity. Imputation methods minimally increased agreement for AKI diagnosis.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut 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: aucune
Score de désaccord entre enseignants0,671
Score d'incertitude au seuil0,557

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,086
Tête enseignante GPT0,484
Écart entre enseignants0,398 · 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