MétaCan
Menu
← Retour à la cohorte
Enregistrement W4388596525 · doi:10.1093/eurheartj/ehad655.2743

Development, validation, and comparative analysis of a simple clinical and laboratory-based risk score system for predicting and stratifying moderate-to-severe AKI after cardiac surgery

2023· article· en· W4388596525 sur OpenAlexaboutno aff
Juehui Zeng, Xiaoting Su, Xiaohong Huang, Zhe Zheng

Notice bibliographique

RevueEuropean Heart Journal · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac, Anesthesia and Surgical Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesPeking Union Medical College
Mots-clésMedicineCohortLogistic regressionPerioperativeFramingham Risk ScoreInternal medicineIntensive care medicineDerivationAcute kidney injuryProportional hazards modelCoronary artery diseaseKidney diseaseEmergency medicineSurgeryDiseaseArtery

Résumé

récupéré en direct d'OpenAlex

Abstract Background Cardiac Surgery-Associated Acute Kidney Injury (CSA-AKI) is prevalent and detrimental following cardiac surgery, without effective prevention. Early prediction and stratification are critical in informing appropriate care. Recent studies highlighted the predictive value of some routine laboratory markers in addition to traditional clinical variables. However, existing models suffer from complexity and practical difficulties in implementation. Purpose We aim to develop a high-performance preoperative risk score system for predicting moderate-to-severe CSA-AKI, while preserving its simplicity and utility through the integration of the most predictive and routinely accessible clinical and laboratory variables. Methods A total of 14 303 patients undergoing coronary artery bypass grafting surgery at a single institution, with comprehensive perioperative data, were included. Cohort 1 (N=9 416, 2013-2017) and cohort 2 (N=4 887, 2018-2019) were used to develop and validate a risk score system for predicting moderate-to-severe CSA-AKI, respectively, according to the Kidney Disease: Improving Global Outcomes (KDIGO) guidelines. Bootstrapped stepwise regression was employed to select the robust candidate variables for a logistic regression model (i.e., the full model), which was then simplified to a more parsimonious model. Model performance was evaluated and compared to several established models. Results The overall incidence of moderate-to-severe CSA-AKI was 3.5% in the entire cohort. Two preoperative risk scores were developed: the simple 6-variable ABC2-Surgery2 score (age, a biomarker of NT-proBNP, two clinical status variables of hypertension and preoperative critical state, and two surgery-related variables of combined surgery and on-pump surgery), and the complete 10-variable AB2C3-Surgery4 score (ABC2-Surgery2 plus an additional biomarker of blood urea nitrogen, a clinical status variable of Canadian Cardiovascular Society angina class, and two surgery-related variables of urgent surgery and previous surgery). In the validation cohort, the simple score (area under the curve, AUC 0.765) outperformed the previously established UK-AKI model (AUC 0.720), Mehta score (AUC 0.700), and Ng score (AUC 0.697), while statistically similar to the most complex 19-variable Cleveland Clinic Score (AUC 0.725). The complete score (AUC 0.777) was superior to all four models. The current score system also effectively stratified CSA-AKI with respect to requirements for vasoactive support (measured by cumulative vasoactive-inotropic score), intravenous diuretics, and renal replacement therapy, as well as in-hospital and long-term mortality. Conclusion A simple risk score system incorporating routine clinical and laboratory variables was developed to predict and stratify moderate-to-severe CSA-AKI and outperformed previous complex models. Further external validation is currently underway for generalizability.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,020
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,117
Tête enseignante GPT0,358
Écart entre enseignants0,240 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Heart Journal→Même sujetCardiac, Anesthesia and Surgical Outcomes→Travaux en français237 207→