Acute kidney injury in cats and dogs: A proportional meta-analysis of case series studies
Notice bibliographique
Résumé
INTRODUCTION: Risk of mortality in the setting of acute kidney injury (AKI) in cats and dogs remains unclear. OBJECTIVES: To evaluate the incidence of mortality in cats and dogs with AKI based on etiology (i.e. infectious versus non-infectious; receiving dialysis versus conservative treatment). MATERIALS AND METHODS: Ovid Medline, EMBASE, and LILACS were searched up to July 2016. Articles were deemed eligible if they were case series studies evaluating the incidence of all-cause mortality in cats and dogs with AKI, regardless of etiology or the nature of treatment. RESULTS: Eighteen case series involving 1,201animalsproved eligible. The pooled proportions for overall mortality were: cats53.1% [95% CI 0.475, 0.586; I2 = 11,9%, p = 0.3352]; dogs 45.0% [95% CI 0.33, 0.58; I2 = 91.5%, P < 0.0001]. A non-significant increase in overall mortality risk was found among dialysed animals relative to those managed with conservative treatment, independent of animal type and the etiology of their AKI. The pooled proportions for overall mortality according to etiology, regardless of treatment type, were: AKI due infectious etiology for cats and dogs, 19.2% [95% CI 0.134, 0.258; I2 = 37.7%, P = 0.0982]; AKI due non-infectious etiology for cats and dogs, 59.9% [95% CI 0.532, 0.663; I2 = 51.0%, P = 0.0211]. CONCLUSION: Our findings suggest higher rates of overall mortality in cats and dogs with AKI due to non-infectious etiologies relative to infectious etiologies, and showed non-significant differences in terms of higher rates associated with dialysis compared to conservative management. Further investigations regarding optimal time to initiate dialysis and the development of clinical models to prognosticate the course of disease and guide optimal treatment initiation for less severe cases of AKI in cats and dogs is warranted.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».