MétaCan
Menu
Retour à la cohorte
Enregistrement W4382753312 · doi:10.36216/jpd.v7i1.206

Sequential organ failure assessment (SOFA) score as a predictor of acute kidney injury in COVID-19 patients: a systematic review and meta-analysis

2023· review· en· W4382753312 sur OpenAlexaboutno aff
Nicolas Daniel Widjanarko, Erich Tamio, Steven Alvianto, Nadhea Debrinita Surya, Rexel Kuatama, Maria Riastuti Iryaningrum

Notice bibliographique

RevueJurnal Penyakit Dalam Udayana · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueAcute Kidney Injury Research
Établissements canadiensnon disponible
Organismes subventionnairesFaculty of Medicine and Health, University of SydneyUniversitas Katolik Indonesia Atma JayaUniversitas Indonesia
Mots-clésMedicineSOFA scoreAcute kidney injuryInternal medicineCoronavirus disease 2019 (COVID-19)Meta-analysisIntensive care unitDiseaseInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Background: The sequential organ failure assessment (SOFA) score is a tool used to describe organ failure in critically ill patients. Studies have showed that coronavirus disease 2019 (COVID-19) patients who develop predictor of acute kidney injury (AKI) often have an increased SOFA. Objective: This study aimed to evaluate the potential of SOFA score as a predictor AKI in COVID-19 patients. Methods: A systematic search was conducted on PubMed, Google Scholar, EBSCO-Host, and ProQuest. The risk of bias was assessed using the Newcastle-Ottawa Scale . Result: Out of the 9 studies reviewed, 7 showed a significant association between SOFA score and AKI. The meta-analysis of 3 studies gave mean differences of 1.66 in favor of the AKI group (95% CI 1.12 - 2.21). The heterogeneity was low (Tau2 result = 0.06, I2 result = 22% with p = 0.28) and the significant results for the overall effect showed a value of p < 0.00001. Conclusion: The SOFA score has the potential to be a good predictor of AKI development in COVID-19 patients, with a significant mean difference.

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)0,004
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Méta-épidémiologie (sens large), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,622
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0200,005
Bibliométrie0,0030,006
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,106
Tête enseignante GPT0,446
Écart entre enseignants0,339 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Penyakit Dalam UdayanaMême sujetAcute Kidney Injury ResearchTravaux en français237 207