Strategies to Enhance Rehabilitation After Acute Kidney Injury in the Developing World
Notice bibliographique
Résumé
Acute kidney injury (AKI) is independently associated with new-onset chronic kidney disease (CKD), end-stage kidney disease, cardiovascular disease, and all-cause mortality. However, only a minority of patients receive follow-up care after an episode of AKI in the developing world, and the optimal strategies to promote rehabilitation after AKI are ill-defined. On this background, a working group of the 18th Acute Dialysis Quality Initiative applied the consensus-building process informed by a PubMed review of English-language articles to address questions related to rehabilitation after AKI. The consensus statements propose that all patients should be offered follow-up within 3 months of an AKI episode, with more intense follow-up (e.g., <1 month) considered based on patient risk factors, characteristics of the AKI event, and the degree of kidney recovery. Patients should be monitored for renal and nonrenal events post-AKI, and we suggest that the minimum level of monitoring consist of an assessment of kidney function and proteinuria within 3 months of the AKI episode. Care should be individualized for higher risk patients, particularly patients who are still dialysis dependent, to promote renal recovery. Although evidence-based treatments for survivors of AKI are lacking and some outcomes may not be modifiable, we recommend simple interventions such as lifestyle changes, medication reconciliation, blood pressure control, and education, including the documentation of AKI in the patient's medical record. In conclusion, survivors of AKI represent a high-risk population, and these consensus statements should provide clinicians with guidance on the care of patients after an episode of AKI.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».