Relationship of Kidney Injury Biomarkers with Long-Term Cardiovascular Outcomes after Cardiac Surgery
Notice bibliographique
Résumé
Clinical AKI, measured by serum creatinine elevation, is associated with long-term risks of adverse cardiovascular (CV) events and mortality in patients after cardiac surgery. To evaluate the relative contributions of urine kidney injury biomarkers and plasma cardiac injury biomarkers in adverse events, we conducted a multicenter prospective cohort study of 968 adults undergoing cardiac surgery. On postoperative days 1–3, we measured five urine biomarkers of kidney injury (IL-18, NGAL, KIM-1, L-FABP, and albumin) and five plasma biomarkers of cardiac injury (NT-proBNP, H-FABP, hs-cTnT, cTnI, and CK-MB). The primary outcome was a composite of long-term CV events or death, which was assessed via national health care databases. During a median 3.8 years of follow-up, 219 (22.6%) patients experienced the primary outcome (136 CV events and 83 additional deaths). Compared with patients without postsurgical AKI, patients who experienced AKI Network stage 2 or 3 had an adjusted hazard ratio for the primary composite outcome of 3.52 (95% confidence interval, 2.17 to 5.71). However, none of the five urinary kidney injury biomarkers were significantly associated with the primary outcome. In contrast, four out of five postoperative cardiac injury biomarkers (NT-proBNP, H-FABP, hs-cTnT, and cTnI) strongly associated with the primary outcome. Mediation analyses demonstrated that cardiac biomarkers explained 49% (95% confidence interval, 1% to 97%) of the association between AKI and the primary outcome. These results suggest that clinical AKI at the time of cardiac surgery is indicative of concurrent CV stress rather than an independent renal pathway for long-term adverse CV outcomes.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».