Controversies in acute kidney injury: conclusions from a Kidney Disease: Improving Global Outcomes (KDIGO) Conference
Notice bibliographique
Résumé
In 2012, Kidney Disease: Improving Global Outcomes (KDIGO) published a guideline on the classification and management of acute kidney injury (AKI). The guideline was derived from evidence available through February 2011. Since then, new evidence has emerged that has important implications for clinical practice in diagnosing and managing AKI. In April of 2019, KDIGO held a controversies conference entitled Acute Kidney Injury with the following goals: determine best practices and areas of uncertainty in treating AKI; review key relevant literature published since the 2012 KDIGO AKI guideline; address ongoing controversial issues; identify new topics or issues to be revisited for the next iteration of the KDIGO AKI guideline; and outline research needed to improve AKI management. Here, we present the findings of this conference and describe key areas that future guidelines may address.
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 | 0,091 | 0,181 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,015 | 0,018 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,017 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».