Low Serum Potassium Levels and Clinical Outcomes in Peritoneal Dialysis—International Results from PDOPPS
Notice bibliographique
Résumé
INTRODUCTION: Hypokalemia, including normal range values <4 mEq/l, has been associated with increased peritonitis and mortality in patients with peritoneal dialysis. This study sought to describe international variation in hypokalemia, potential modifiable hypokalemia risk factors, and the covariate-adjusted relationship of hypokalemia with peritonitis and mortality. METHODS: Baseline serum potassium was determined in 7421 patients from 7 countries in the Peritoneal Dialysis Outcomes and Practice Patterns Study (2014-2017). Association of baseline patient and treatment factors with subsequent serum potassium <4 mEq/l was evaluated by logistic regression, whereas baseline serum potassium levels (4-month average and fraction of 4 months having hypokalemia) on clinical outcomes was assessed by Cox regression. RESULTS: Hypokalemia was more prevalent in Thailand and among black patients in the United States. Characteristics/treatments associated with potassium <4 mEq/l included protein-energy wasting indicators, lower urine volume, lower blood pressure, higher dialysis dose, greater diuretic use, and not being prescribed a renin-angiotensin system inhibitor. Persistent hypokalemia (all 4 months vs. 0 months over the 4-month exposure period) was associated with 80% higher subsequent peritonitis rates (at K <3.5 mEq/l) and 40% higher mortality (at K <4.0 mEq/l) after extensive case mix/potential confounding adjustments. Furthermore, adjusted peritonitis rates were higher if having mean serum K over 4 months <3.5 mEq/l versus 4.0-4.4 mEq/l (hazard ratio, 1.15 [95% confidence interval, 0.96-1.37]), largely because of Gram-positive/culture-negative infections. CONCLUSIONS: Persistent hypokalemia is associated with higher mortality and peritonitis even after extensive adjustment for patient factors. Further studies are needed to elucidate mechanisms of these poorer outcomes and modifiable risk factors for persistent hypokalemia.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».