Diuretic strategies in patients with resistance to loop-diuretics in the intensive care unit: A retrospective study from the MIMIC-III database
Notice bibliographique
Résumé
PURPOSE: To investigate various diuretic strategies to alleviate loop-diuretics resistance in critically ill patients. MATERIALS AND METHOD: ICU adults requiring more than 1 mg/kg/day of furosemide, from the MIMIC-III database. Four diuretic strategies were investigated: incremental dose of loop diuretics, continuous infusion, combinations with a second class of diuretics and administration of intravenous albumin. A generalized estimating equation was used to investigate the associations between these strategies and endpoints. The primary outcome was the 24-h urine output and secondary endpoints included fluid balance, weight change, electrolyte and acid-base abnormalities, kidney replacement therapy initiation, and mortality. RESULTS: A total of 7645 ICU stays from 6358 patients were included. After adjustment, the use of continuous loop-diuretic infusion was associated with a higher 24-h urine output (β: 732, 95% CI:669-795, p < 0.001), lower 24-h fluid balance (p < 0.001) and greater weight loss at 48-h (p < 0.001). Thiazide- and carbonic anhydrase inhibitor combinations were both associated with higher urine output (p < 0.001) and weight loss at 48-h (p < 0.01), while intravenous albumin was associated with fluid gain (p < 0.001). Risks of electrolyte and metabolic disturbances varied across diuretic strategies. CONCLUSIONS: Continuous loop-diuretic infusion and thiazide- or acetazolamide-loop diuretic combinations increased urine output significantly, leading to a negative fluid balance and weight loss.
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 | 0,000 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».