MétaCan
Menu
Retour à la cohorte
Enregistrement W2908541000 · doi:10.1001/jama.2018.17948

Serum Creatinine Levels Before, During, and After Pregnancy

2019· article· en· W2908541000 sur OpenAlexafffund
Ziv Harel, Eric McArthur, Michelle Hladunewich, Jade Dirk, Ron Wald, Amit X. Garg, Joel G. Ray

Notice bibliographique

RevueJAMA · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Kidney Disease and Diabetes
Établissements canadiensHealth Sciences CentreWestern UniversitySunnybrook Health Science CentreInstitute for Clinical Evaluative SciencesSt. Michael's Hospital
Organismes subventionnairesKidney Foundation of CanadaInstitute for Clinical Evaluative SciencesOntario Ministry of Health and Long-Term CareSchulich School of Medicine and DentistryAcademic Medical Organization of Southwestern OntarioCanadian Institutes of Health ResearchLawson Health Research Institute
Mots-clésMedicineRenal functionCreatininePregnancyGestational ageGestationKidney diseaseKidneyInternal medicineObstetricsEndocrinologyUrologyPhysiology

Résumé

récupéré en direct d'OpenAlex

Serum Creatinine Levels Before, During, and After PregnancyEstimating renal function before and during pregnancy has clinical importance: kidney dysfunction can affect maternal and perinatal health.Glomerular hyperfiltration is a typical physiological adaptation to pregnancy, reflected by a decrease in levels of serum creatinine (SCr) with advancing gestational age.Creatinine-based equations used to estimate glomerular filtration may misclassify renal function during pregnancy, 1 as they depend on a steady state of creatinine balance.Moreover, a 24-hour collection of urine to measure cre-atinine clearance is impractical. 2Accordingly, physicians typically rely on SCr level.Previous studies attempted to define a normal SCr level in pregnancy, but they had few participants and may have been confounded by sampling bias. 3,4The current study was undertaken to generate gestational age-specific estimates of renal function-before, during, and after pregnancy-among women without antecedent kidney disease.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,007
Tête enseignante GPT0,239
Écart entre enseignants0,233 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations120
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJAMAMême sujetChronic Kidney Disease and DiabetesTravaux en français237 207