Incidence of Acute Kidney Injury in Hospitalized Children: A Meta-analysis
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: There is limited literature on the incidence of acute kidney injury (AKI) and associated mortality in hospitalized children. To systematically assess the worldwide incidence of AKI in hospitalized children to inform policymakers regarding appropriate health resource allocation. METHODS: Three different databases were searched (PubMed, Embase, Web of Sciences) from March 2012 to January 2022 without language or geographical restrictions. We included cohort and cross-sectional studies that reported AKI incidence in hospitalized children. Eligible studies had at least 100 participants and used the standard Kidney Disease Improving Global Outcomes criteria to define AKI. Two authors extracted data on the study and patients' characteristics and outcomes (incidence and AKI-associated mortality) and performed the risk of bias assessment. We used a random-effects meta-analysis to generate pooled estimates. RESULTS: We included 94 studies (202 694 participants) from 26 countries. The incidence of any AKI was 26% (95% confidence interval: 22-29), and that of moderate-severe AKI was 14% (11-16). The incidence of AKI was similar in high-income 27% (23-32), low-middle-income 25% (13-38), and low-income 24% (12-39) countries. Overall, AKI-associated mortality was observed in 11% (9-13) of the pediatric population. AKI-associated mortality rate was highest at 18% (11-25) and 22% (9-38) in low-income and low-middle-income countries, respectively. CONCLUSIONS: AKI was observed in one-quarter of the hospitalized children and is associated with increased mortality risk. Low-income and low-middle-income countries had observed higher mortality rates compared with high-income countries despite a similar AKI burden.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,006 |
| Bibliométrie | 0,005 | 0,015 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».