MétaCan
Menu
Retour à la cohorte
Enregistrement W4210400358 · doi:10.24908/pocus.v7ikidney.15343

Recovery of Severe Acute Kidney Injury in a Patient with COVID-19: Role of Lung Ultrasonography

2022· article· en· W4210400358 sur OpenAlexvenueno aff
Varun Madireddy, Daniel W. Ross, Deepa A. Malieckal, Shamir Hasan, Azzour D. Hazzan, Hitesh H. Shah

Notice bibliographique

RevuePOCUS Journal · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound in Clinical Applications
Établissements canadiensnon disponible
Organismes subventionnairesNorthwell Health
Mots-clésMedicineHemodialysisMechanical ventilationPneumoniaAcute kidney injuryDialysisDiscontinuationIntensive care medicineLungDiffuse alveolar damageComplicationHyperkalemiaAnesthesiaSurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Acute kidney injury (AKI) is recognized as a complication of COVID-19 among hospitalized patients. Lung ultrasonography (LUS) can be a useful tool in the management of COVID-19 pneumonia when interpreted correctly. However, the role of LUS in management of severe AKI in the setting of COVID-19 remains to be defined. We report a 61-year-old male who was hospitalized with acute respiratory failure from COVID-19 pneumonia. In addition to requiring invasive mechanical ventilation, our patient developed AKI and severe hyperkalemia requiring urgent dialytic therapy during his hospital stay. Our patient remained dialysis dependent despite subsequent recovery of lung function. Three days following discontinuation of mechanical ventilation, our patient developed a hypotensive episode during his maintenance hemodialysis treatment. A point of care LUS performed soon after the intradialytic hypotensive episode found no extravascular lung water. Hemodialysis was discontinued and the patient was initiated on intravenous fluids for one week. AKI subsequently resolved. We consider LUS an important tool in identifying COVID-19 patients that would benefit from intravenous fluids following recovery of lung function.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,459
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,303
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePOCUS JournalMême sujetUltrasound in Clinical ApplicationsTravaux en français237 207