Pragmatic Recommendations for the Prevention and Treatment of Acute Kidney Injury in Patients with COVID-19 in Low- and Middle-Income Countries
Notice bibliographique
Résumé
Current recommendations for the management of patients with COVID-19 and acute kidney injury (AKI) are largely based on evidence from resource-rich settings, mostly located in high-income countries. It is often unpractical to apply these recommendations to resource-restricted settings. We report on a set of pragmatic recommendations for the prevention, diagnosis, and management of patients with COVID-19 and AKI in low- and middle-income countries (LMICs). For the prevention of AKI among patients with COVID-19 in LMICs, we recommend using isotonic crystalloid solutions for expansion of intravascular volume, avoiding nephrotoxic medications, and using a conservative fluid management strategy in patients with respiratory failure. For the diagnosis of AKI, we suggest that any patient with COVID-19 presenting with an elevated serum creatinine level without available historical values be considered as having AKI. If serum creatinine testing is not available, we suggest that patients with proteinuria should be considered to have possible AKI. We suggest expansion of the use of point-of-care serum creatinine and salivary urea nitrogen testing in community health settings, as funding and availability allow. For the management of patients with AKI and COVID-19 in LMICS, we recommend judicious use of intravenous fluid resuscitation. For patients requiring dialysis who do not have acute respiratory distress syndrome (ARDS), we suggest using peritoneal dialysis (PD) as first choice, where available and feasible. For patients requiring dialysis who do have ARDS, we suggest using hemodialysis, where available and feasible, to optimize fluid removal. We suggest using locally produced PD solutions when commercially produced solutions are unavailable or unaffordable.
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 | 0,018 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,011 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 ».