National Trends in Emergency Room Visits of Dialysis Patients for Adverse Drug Reactions
Notice bibliographique
Résumé
BACKGROUND: Various medications are cleared by the kidneys, therefore patients with impaired renal function, especially dialysis patients are at risk for adverse drug events (ADEs). There are limited studies on ADEs in maintenance dialysis patients. METHODS: We utilized a nationally representative database, the Nationwide Emergency Department Sample, from 2008 to 2013, to compare emergency department (ED) visits for dialysis and propensity matched non-dialysis patients. Log binomial regression was used to calculate relative risk of hospital admission and logistic regression to calculate ORs for in-hospital mortality while adjusting for patient and hospital characteristics. RESULTS: While ED visits for ADEs decreased in both groups, they were over 10-fold higher in dialysis patients than non-dialysis patients (65.8-88.5 per 1,000 patients vs. 4.6-5.4 per 1,000 patients respectively, p < 0.001). The top medication category associated with ED visits for ADEs in dialysis patients is agents primarily affecting blood constituents, which has increased. After propensity matching, patient admission was higher in dialysis patients than non-dialysis patients, (88 vs. 76%, p < 0.001). Dialysis was associated with a 3% increase in risk of admission and 3 times the odds of in-hospital mortality (adjusted OR 3, 95% CI 2.7-2.3.3). CONCLUSIONS: ED visits for ADEs are substantially higher in dialysis patients than non-dialysis patients. In dialysis patients, ADEs associated with agents primarily affecting blood constituents are on the rise. ED visits for ADEs in dialysis patients have higher inpatient admissions and in-hospital mortality. Further studies are needed to identify and implement measures aimed at reducing ADEs in dialysis 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 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) | 0,000 | 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) | 0,001 | 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 ».