Risk, Predictors, and Outcomes of Acute Kidney Injury in Patients Admitted to Intensive Care Units in Egypt
Notice bibliographique
Résumé
Epidemiology of acute kidney injury (AKI) in developing countries is under-studied. We evaluated the risk and prognosis of AKI in patients admitted to intensive care units (ICUs) in Egypt. We recruited consecutive adults admitted to ICUs in Alexandria Teaching Hospitals over six months. We used the KDIGO criteria for AKI. We followed participants until the earliest of ICU discharge, death, day 30 from entry or study end. Of the 532 participants (median age 45 (Interquartile range [IQR]: 30-62) years, 41.7% male, 23.7% diabetics), 39.6% had AKI at ICU admission and 37.4% developed AKI after 24 hours of ICU admission. Previous need of diuretics, sepsis and low education were associated with AKI at ICU admission; APACHE II score independently predicted AKI after ICU admission. A total of 120 (22.6%) patients died during 30-day follow-up. Compared to patients who remained AKI-free, mortality was significantly higher in patients who had AKI at study entry (Hazard Ratio [HR] 2.14; 95% Confidence Interval [CI] 1.02-4.48) or developed AKI in ICU (HR 2.74; 95% CI 1.45-5.17). The risk of AKI is high in critically ill people and predicts poor outcomes. Further studies are needed to estimate the burden of AKI among patients before ICU admission.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».