Clinical Characteristics and Outcomes of Drug-Induced Acute Kidney Injury Cases
Notice bibliographique
Résumé
Introduction: Drug-induced acute kidney injury (DI-AKI) is a frequent adverse event. The identification of DI-AKI is challenged by competing etiologies, clinical heterogeneity among patients, and a lack of accurate diagnostic tools. Our research aims to describe the clinical characteristics and predictive variables of DI-AKI. Methods: We analyzed data from the Drug-Induced Renal Injury Consortium (DIRECT) study (NCT02159209), an international, multicenter, observational cohort study of enriched clinically adjudicated DI-AKI cases. Cases met the primary inclusion criteria if the patient was exposed to at least 1 nephrotoxic drug for a minimum of 24 hours prior to AKI onset. Cases were clinically adjudicated, and inter-rater reliability (IRR) was measured using Krippendorff's alpha. Variables associated with DI-AKI were identified using L1 regularized multivariable logistic regression. Model performance was assessed using the area under the receiver operating characteristic curve (ROC AUC). Results: A total of 314 AKI cases met the eligibility criteria for this analysis, and 271 (86%) cases were adjudicated as DI-AKI. The majority of the AKI cases were recruited from the United States (68%). The most frequent causal nephrotoxic drugs were vancomycin (48.7%), nonsteroidal antiinflammatory drugs (18.2%), and piperacillin/tazobactam (17.8%). The IRR for DI-AKI adjudication was 0.309. The multivariable model identified age, vascular capacity, hyperglycemia, infections, pyuria, serum creatinine (SCr) trends, and contrast media as significant predictors of DI-AKI with good performance (ROC AUC 0.86). Conclusion: The identification of DI-AKI is challenging even with comprehensive adjudication by experienced nephrologists. Our analysis identified key clinical characteristics and outcomes of DI-AKI compared to other AKI etiologies.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 ».