Comparative Performance of Prediction Models for Contrast-Associated Acute Kidney Injury After Percutaneous Coronary Intervention
Notice bibliographique
Résumé
BACKGROUND: Identifying patients at increased risk of contrast-associated acute kidney injury (CA-AKI) can help target risk mitigation strategies toward these individuals during percutaneous coronary intervention. Illuminating which risk models best stratify risk is an important foundation for such quality improvement efforts. METHODS AND RESULTS: Seven previously published risk prediction models for CA-AKI and 3 models for kidney injury requiring dialysis were validated using 2 definitions for CA-AKI (the Kidney Disease: Improving Global Outcomes definition of ≥0.3 mg/dL within 48 hours or ≥50% increase in serum creatinine from baseline within 7 days and the historical definition of ≥0.5 mg/dL or ≥25% increase in serum creatinine from baseline within 48 hours), and AKI requiring dialysis within 30 days of percutaneous coronary intervention. Model performance was compared based on discrimination, calibration, and categorical net reclassification index before and after model recalibration. Among 7888 patients who underwent percutaneous coronary intervention in Alberta Canada, CA-AKI occurred in 330 patients (4.2%) when CA-AKI was defined using the Kidney Disease: Improving Global Outcomes definition and 571 (7.3%) when using the historical definition. CA-AKI requiring dialysis occurred in 42 (0.6%) patients. When validated using the Kidney Disease: Improving Global Outcomes definition for CA-AKI, the 2 most recently published models for CA-AKI showed better discrimination (C statistics, 0.75-0.76) than older models (C statistics, 0.61-0.68). C statistics of models for kidney injury requiring dialysis ranged from 0.70 to 0.86. The calibration of all models for CA-AKI deviated from ideal, and the proportion of patients classified into different risk categories for CA-AKI differed substantially for the 2 most recent models. Recalibration significantly improved risk stratification of patients into clinical risk categories for some models. CONCLUSIONS: Recent prediction models for CA-AKI show better discrimination compared with older models; however, model recalibration should be examined in external cohorts to improve the accuracy of predictions, particularly if predicted risk strata are used to guide management approaches.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».