MétaCan
Menu
Retour à la cohorte
Enregistrement W2806398992 · doi:10.1186/s13054-018-1965-5

Interventions to prevent hemodynamic instability during renal replacement therapy in critically ill patients: a systematic review

2018· review· en· W2806398992 sur OpenAlexaff
Adrianna Douvris, Gurpreet Malhi, Swapnil Hiremath, Lauralyn McIntyre, Samuel A. Silver, Sean M. Bagshaw, Ron Wald, Claudio Ronco, Lindsey Sikora, Catherine Weber, Edward G. Clark

Notice bibliographique

RevueCritical Care · 2018
Typereview
Langueen
DomaineMedicine
ThématiqueAcute Kidney Injury Research
Établissements canadiensMcGill UniversitySt. Michael's HospitalUniversity of AlbertaQueen's UniversityOttawa HospitalUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésMedicineRenal replacement therapyIntensive care medicineObservational studyPsychological interventionHemodialysisRandomized controlled trialCochrane LibraryAcute kidney injuryInternal medicineEmergency medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Hemodynamic instability related to renal replacement therapy (HIRRT) may increase the risk of death and limit renal recovery. Studies in end-stage renal disease populations on maintenance hemodialysis suggest that some renal replacement therapy (RRT)-related interventions (e.g., cool dialysate) may reduce the occurrence of HIRRT, but less is known about interventions to prevent HIRRT in critically ill patients receiving RRT for acute kidney injury (AKI). We sought to evaluate the effectiveness of RRT-related interventions for reducing HIRRT in such patients across RRT modalities. METHODS: A systematic review of publications was undertaken using MEDLINE, MEDLINE in Process, EMBASE, and Cochrane's Central Registry for Randomized Controlled Trials (RCTs). Studies that assessed any intervention's effect on HIRRT (the primary outcome) in critically ill patients with AKI were included. HIRRT was variably defined according to each study's definition. Two reviewers independently screened abstracts, identified articles for inclusion, extracted data, and evaluated study quality using validated assessment tools. RESULTS: Five RCTs and four observational studies were included (n = 9; 623 patients in total). Studies were small, and the quality was mostly low. Interventions included dialysate sodium modeling (n = 3), ultrafiltration profiling (n = 2), blood volume (n = 2) and temperature control (n = 3), duration of RRT (n = 1), and slow blood flow rate at initiation (n = 1). Some studies applied more than one strategy simultaneously (n = 5). Interventions shown to reduce HIRRT from three studies (two RCTs and one observational study) included higher dialysate sodium concentration, lower dialysate temperature, variable ultrafiltration rates, or a combination of strategies. Interventions not found to have an effect included blood volume and temperature control, extended duration of intermittent RRT, and slower blood flow rates during continuous RRT initiation. How HIRRT was defined and its frequency of occurrence varied widely across studies, including those involving the same RRT modality. Pooled analysis was not possible due to study heterogeneity. CONCLUSIONS: Small clinical studies suggest that higher dialysate sodium, lower temperature, individualized ultrafiltration rates, or a combination of these strategies may reduce the risk of HIRRT. Overall, for all RRT modalities, there is a paucity of high-quality data regarding interventions to reduce the occurrence of HIRRT in critically ill patients.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,032
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0090,007
Bibliométrie0,0070,007
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,453
Écart entre enseignants0,382 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations118
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCritical CareMême sujetAcute Kidney Injury ResearchTravaux en français237 207