Online Hemodiafiltration Compared to Conventional Hemodialysis in Critically Ill Patients
Notice bibliographique
Résumé
Introduction Online hemodiafiltration (HDF) has been increasingly used for improved clearance of middle molecular weight toxins. The impact of this mode of clearance is unknown in critically ill patients. We aimed to determine whether the use of HDF in acute kidney injury (AKI) is associated with lower mortality and improved kidney recovery up to 90 days after initiation of therapy. Methods Single-center retrospective cohort study using data from 2017 to 2020 of adults with AKI who initiated intermittent renal replacement therapy (IRRT) in the intensive care unit (ICU), using either hemodialysis (HD) or HDF depending on the maintenance status of the water system without regards for patient characteristics. We assessed association with patient-events and session-events using time-dependent Cox models and general estimating equations models, respectively. Results We included 182 adults with AKI for whom 848 IRRT sessions were performed in the ICU. The 90-day mortality rate was 43 of 182 (24.6%). There was no significant association with the use of HDF and mortality (adjusted hazard ratio [aHR]: 0.85 (0.43; 1.67) P = 0.64), kidney recovery (aHR: 1.18 (0.76; 1.84) P = 0.47), or intradialytic hypotension (adjusted odds ratio [aOR]: 0.91 confidence interval [CI]: 0.64–1.28 P = 0.58). HDF treatment was associated with a lower rate of subsequent vasopressor use (aOR: 0.60 CI: 0.36–0.99 P = 0.047) and a greater reduction of the neutrophil-to-lymphocyte ratio (NLR) following the first session (−15.0% vs. +5.1%, P = 0.047) but was also associated with increased risk of filter thrombosis during treatment (aOR: 2.42 CI: 1.67–3.50 P < 0.001). Conclusion The use of HDF in the setting of AKI was not associated with a differential risk of mortality or kidney recovery.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».