Acute kidney injury requiring renal replacement therapy in people with COVID-19 disease in Ontario, Canada: a prospective analysis of risk factors and outcomes
Notice bibliographique
Résumé
BACKGROUND: Severely ill people with coronavirus disease 2019 (COVID-19) are at risk of acute kidney injury treated with renal replacement therapy (AKI-RRT). The understanding of the risk factors and outcomes for AKI-RRT is incomplete. METHODS: We prospectively collected data on the incidence, demographics, area of residence, time course, outcomes and associated risk factors for all COVID-19 AKI-RRT cases during the first two waves of the pandemic in Ontario, Canada. RESULTS: There were 271 people with AKI-RRT, representing 0.1% of all diagnosed severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) cases. These included 10% of SARS-CoV-2 admissions to intensive care units (ICU). Median age was 65 years, with 11% <50 years, 76% were male, 47% non-White and 48% had diabetes. Overall, 59% resided in the quintile of Ontario neighborhoods with the greatest ethnocultural composition and 51% in the two lowest income quintile neighborhoods. Mortality was 58% at 30 days after RRT initiation, and 64% at 90 days. By 90 days, 20% of survivors remained RRT-dependent and 31% were still hospitalized. On multivariable analysis, people aged >70 years had higher mortality (odds ratio 2.4, 95% confidence interval 1.3, 4.6). Cases from the second versus the first COVID-19 wave were older, had more baseline comorbidity and were more likely to initiate RRT >2 weeks after SARS-CoV-2 diagnosis (34% versus 14%; P < 0.001). CONCLUSIONS: AKI-RRT is common in COVID-19 ICU admissions. Residency in areas with high ethnocultural composition and lower socioeconomic status are strong risk factors. Late-onset AKI-RRT was more common in the second wave. Mortality is high and 90-day survivors have persisting high morbidity.
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 | 0,003 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,002 |
| 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 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 ».