CALL-K score: predicting the need for renal replacement therapy in cardiogenic shock
Notice bibliographique
Résumé
AIMS: The clinical predictors and outcomes of patients with cardiogenic shock (CS) requiring renal replacement therapy (RRT) have not been studied previously. This study assesses the impact of RRT on mortality in patients with CS and aims to identify clinical factors that contribute to the need of RRT. METHODS AND RESULTS: Consecutive patients presenting with CS were included from a prospective registry of cardiac intensive care unit admissions at a single institution between 2014 and 2020. Of the 1030 patients admitted with CS, 123 (11.9%) received RRT. RRT was associated with higher 1-year mortality [adjusted hazard ratio = 1.62, 95% confidence interval (CI) 1.02-2.14], and a higher in-hospital incidence of sepsis [risk ratio = 2.76, P < 0.001], and pneumonia (risk ratio = 2.9, P = 0.001). Those who received RRT were less likely to receive guideline-directed medical treatment at time of discharge, undergo heart transplantation (2.4% vs. 11.5%, P = 0.002) or receive a durable left ventricular assist device (0.0% vs. 11.6%, P < 0.001). Five variables at admission best predicted the need for RRT (age, lactate, haemoglobin, use of pre-admission loop diuretics, and admission estimated glomerular filtration rate) and were used to generate the CALL-K 9-point risk score, with better discrimination than creatinine alone (P = 0.008). The score was internally validated (area under the curve = 0.815, 95% CI 0.739-0.835) with good calibration (Hosmer-Lemeshow P = 0.827). CONCLUSIONS: RRT is associated with worse outcomes, including a lower likelihood to receive advanced heart failure therapies in patients with CS. A risk score comprising five variables routinely collected at admission can accurately estimate the risk of needing RRT.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».