Urinalysis findings and urinary kidney injury biomarker concentrations
Notice bibliographique
Résumé
Urinary biomarkers of kidney injury are presumed to reflect renal tubular damage. However, their concentrations may be influenced by other factors, such as hematuria or pyuria. We sought to examine what non-injury related urinalysis factors are associated with urinary biomarker levels. We examined 714 adults who underwent cardiac surgery in the TRIBE-AKI cohort that did not experience post-operative clinical AKI (patients with serum creatinine change of ≥ 20% were excluded). We examined the association between urinalysis findings and the pre- and first post-operative urinary concentrations of 4 urinary biomarkers: neutrophil gelatinase-associated lipocalin (NGAL), interleukin-18 (IL-18), kidney injury molecule-1 (KIM-1), and liver fatty acid binding protein (L-FABP). The presence of leukocyte esterase and nitrites on urinalysis was associated with increased urinary NGAL (R 2 0.16, p < 0.001 and R 2 0.07, p < 0.001, respectively) in pre-operative samples. Hematuria was associated with increased levels of all 4 biomarkers, with a much stronger association seen in post-operative samples (R 2 between 0.02 and 0.21). Dipstick proteinuria concentrations correlated with levels of all 4 urinary biomarkers in pre-operative and post-operative samples (R 2 between 0.113 and 0.194 in pre-operative and between 0.122 and 0.322 in post-operative samples). Adjusting the AUC of post-operative AKI for dipstick proteinuria lowered the AUC for all 4 biomarkers at the pre-operative time point and for 2 of the 4 biomarkers at the post-operative time point. Several factors available through urine dipstick testing are associated with increased urinary biomarker concentrations that are independent of clinical kidney injury. Future studies should explore the impact of these factors on the prognostic and diagnostic performance of these AKI biomarkers.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».