Tubular injury in diabetic ketoacidosis: Results from the diabetic kidney alarm study
Notice bibliographique
Résumé
OBJECTIVE: Glomerular injury is a recognized complication of diabetic ketoacidosis (DKA), yet the tubular lesions are poorly understood. The aim of this prospective study was to evaluate the presence and reversibility of tubular injury during DKA in children with type 1 diabetes (T1D). RESEARCH DESIGN AND METHODS: Blood and urine samples were collected from 40 children with DKA (52% boys, mean age 11 ± 4 years, venous pH 7.2 ± 0.1, glucose 451 ± 163 mg/dL) at three timepoints: 0-8 and 12-24 h after starting insulin, and 3 months after discharge. Mixed-effects models evaluated the changes in tubular injury markers over time (neutrophil gelatinase-associated lipocalin [NGAL], kidney injury molecule 1 [KIM-1], and interleukin 18 [IL-18]). We also evaluated the relationships among the tubular injury biomarkers, copeptin, a vasopressin surrogate, and serum uric acid (SUA). RESULTS: Serum NGAL, KIM-1, and IL-18 were highest at 0-8 h (306.5 ± 45.9 ng/mL, 128.9 ± 10.1 pg/mL, and 564.3 ± 39.2 pg/mL, respectively) and significantly decreased over 3 months (p = 0.03, p = 0.01, and p < 0.001, respectively). There were strong relationships among increases in copeptin and SUA and rises in tubular injury biomarkers. At 0-8 h, participants with acute kidney injury (AKI) [17%] showed significantly higher concentrations of tubular injury markers, copeptin, and SUA. CONCLUSIONS: DKA was characterized by tubular injury, and the degree of injury associated with elevated copeptin and SUA. Tubular injury biomarkers, copeptin and SUA may be able to predict AKI in DKA.
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 | 0,002 |
| 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 | 0,001 | 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 ».