Bedside risk score for prediction of acute kidney injury after transcatheter aortic valve replacement
Notice bibliographique
Résumé
Background: Acute kidney injury (AKI) is a common post-transcatheter aortic valve replacement (TAVR) complication associated with a poor prognosis. We sought to create a risk calculator using information that would be available during the work-up period. Methods: Data were obtained from a multicentre TAVR registry (n=1993) with cases from 1 January 2012 to 31 December 2015. We used logistic regression to create a risk calculator to predict AKI as defined by the Valve Academic Research Consortium Guidelines. We internally validated our risk calculator using bootstrapping, and evaluated model discrimination and calibration. Results: A simple risk score was derived with six variables, including New York Heart Association functional classification class 4, non-femoral access site, valve-in-valve procedure, haemoglobin, creatinine clearance and weight in kilograms. The score was able to predict the absolute risk of AKI from 1% to 72%. The model showed good discrimination with c-statistic 0.713, with good agreement between predicted and observed AKI rates across quintiles of risk. Conclusions: This is the first risk calculator to assess post-TAVR risk of AKI. We found that information known pre-procedurally can be used to predict AKI. This may allow for more informed decision-making as well as identifying high-risk 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».