Seasonal pattern of incidence and outcome of Acute Kidney Injury: A national study of Welsh AKI electronic alerts
Notice bibliographique
Résumé
OBJECTIVES: To identify any seasonal variation in the occurrence of, and outcome following Acute Kidney Injury. METHODS: The study utilised the biochemistry based AKI electronic (e)-alert system established across the Welsh National Health Service to collect data on all AKI episodes to identify changes in incidence and outcome over one calendar year (1st October 2015 and the 30th September 2016). RESULTS: There were total of 48 457 incident AKI alerts. The highest proportion of AKI episodes was seen in the quarter of January to March (26.2%), and the lowest in the quarter of October to December (23.3%, P < .001). The same trend was seen for both community-acquired and hospital-acquired AKI sub-sets. Overall 90 day mortality for all AKI was 27.3%. In contrast with the seasonal trend in AKI occurrence, 90 day mortality after the incident AKI alert was significantly higher in the quarters of January to March and October to December compared with the quarters of April to June and July to September (P < .001) consistent with excess winter mortality reported for likely underlying diseases which precipitate AKI. CONCLUSIONS: In summary we report for the first time in a large national cohort, a seasonal variation in the incidence and outcomes of AKI. The results demonstrate distinct trends in the incidence and outcome 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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».