Biomarkers of AKI Progression after Pediatric Cardiac Surgery
Notice bibliographique
Résumé
Background As children progress to higher stages of AKI, the risk for adverse outcomes dramatically increases. No reliable methods exist to predict AKI progression in hospitalized children. To determine if biomarkers of inflammation and kidney injury can predict AKI progression, we conducted a three-center prospective cohort study of children undergoing cardiopulmonary bypass. Methods On the first day of serum creatinine–defined AKI, we measured urine biomarkers (neutrophil gelatinase–associated lipocalin [NGAL], IL-18, kidney injury molecule 1, liver fatty acid binding protein [L-FABP], albumin, and cystatin C) and plasma biomarkers (IFN, IL-1, IL-2, IL-4, IL-6, IL-8, IL-10, IL-12, IL-13, TNF- α , NGAL, and cystatin C). We defined AKI progression as a worsening of AKI stage or persisting stage 3 AKI (≥2 consecutive days). Results In all, 176 of 408 (43%) children developed postoperative AKI. Among the children with AKI, we diagnosed stages 1, 2, and 3 AKI in 145 (82.5%), 25 (14%), and six (3.5%) children, respectively, on the first day of AKI; 28 (7%) children had AKI progression. On the first day of AKI, nine of 17 biomarkers were significantly higher in patients with than without AKI progression. Urine L-FABP (among injury biomarkers) and plasma IL-8 (among inflammatory biomarkers) had the highest discrimination for AKI progression: optimism-corrected area under the curve, 0.70; 95% confidence interval, 0.58 to 0.81 and optimism-corrected area under the curve, 0.80; 95% confidence interval, 0.69 to 0.91, respectively. Conclusions If validated in additional cohorts, plasma IL-8 could be used to improve clinical care and guide enrollment in therapeutic trials 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».