Stratification of Acute Kidney Injury Risk, Disease Severity, and Outcomes by Electrolyte Disturbances
Notice bibliographique
Résumé
Acute kidney injury (AKI) affects up to 30% of all hospitalized patients in Central Europe and the USA. New biomarker molecules have been identified in recent years; most studies performed so far however aimed to identify markers for diagnostic purposes. Serum electrolytes such as sodium and potassium are quantified in more or less all hospitalized patients. Aim of the article is to review the literature on the AKI predictive role of four distinct serum electrolytes in evolving/progressing AKI. The following databases were searched for references: PubMed, Web of Science, Cochrane Library, and Scopus. The period lasted from 2010 until 2022. The following terms were utilized: "AKI" AND "sodium" OR "potassium" OR "calcium" OR "phosphate" AND "risk" OR "dialysis" OR "recovery of kidney function" OR "renal recovery" OR "kidney recovery" OR "outcome". Finally, 17 references were selected. The included studies were mostly retrospective in nature. Particularly, hyponatremia has been shown to be associated with an overall poor clinical outcome. The association between dysnatremia and AKI is anything but consistent. Hyperkalemia and potassium variability are most likely AKI predictive. Serum calcium and AKI risk are associated in a U-shaped manner. Higher phosphate levels potentially predict AKI in non-coronavirus disease 2019 (COVID-19) patients. The literature suggests that admission electrolytes can offer valuable information about AKI onset during follow-up. Limited data are however available on follow-up characteristics such as the need for dialysis or the chance of renal recovery. These aspects are of particular interest from the nephrologist's perspective.
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 | 0,011 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».