Abstract 15977: Utilizing Admission Bloodwork to Risk Stratify for Acute Kidney Injury in Hospitalized Patients With NSTEMI or Unstable Angina Undergoing Invasive Coronary Angiography± PCI
Notice bibliographique
Résumé
Introduction: AKI after invasive coronary angiography (CAG) or PCI is common with an estimated incidence of 7-9%. This complication incurs approximately a $9,500 higher cost of stay, with proportional length of stay increases with absolute elevations in serum creatinine (sCr). While the majority of adverse events occur within 30 days of procedure, there is evidence of increased mortality, stroke, and MACE at 1 year and 5 years following index AKI. This study aimed to identify risk factors for AKI in hospitalized NSTEMI and unstable angina undergoing CAG ± PCI. Methods: Patients who were admitted for NSTEMI or UA who underwent CAG from 2011-2022 in Northeast Ohio Cleveland Clinic hospitals were identified from the EMR. Admission and serial blood work results in addition to demographics, past medical history, and hospital course were compiled and analyzed via multivariable logistic regression using R statistical software. KIDAGO definitions of AKI were utilized to define presence of AKI. All patients declared ESRD prior to admission were excluded from analysis. Results: 4,174 cases were included in the analysis with mean age 66.5 years, 63% male, and 81% Caucasian. 7% developed AKI and there was no difference in the proportion of race, gender, or prevalence of ischemic heart disease between those who developed AKI and those who did not. Patients who developed AKI were older (70.9 vs. 66.1 years, p<0.001), and were more likely to have a history of CHF (22.2 vs 10.1%, p<0.0001), CKD (26.3 vs. 9.5%, p<0.001), CVA (22.5 vs 15.3%, p=0.001), and hypertension (66.6 vs 59.4%, p=0.016). Multivariable logistic regression was performed on admission blood work in the presence of known risk factors for AKI, Table 1. Conclusions: In patients admitted with NSTEMI or UA who undergo CAG ± PCI, admission blood work helps identify patients at risk for AKI even in the presence of traditional risk factors such as IABP, age, and history of CKD.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».