Hypophosphatemia is an independent risk factor for AKI among hospitalized patients with COVID-19 infection
Notice bibliographique
Résumé
This study sought to investigate incidence and risk factors for acute kidney injury (AKI) in hospitalized COVID-19. In this retrospective study, we enrolled 823 COVID-19 patients with at least two evaluations of renal function during hospitalization from four hospitals in Wuhan, China between February 2020 and April 2020. Clinical and laboratory parameters at the time of admission and follow-up data were recorded. Systemic renal tubular dysfunction was evaluated <i>via</i> 24-h urine collections in a subgroup of 55 patients. In total, 823 patients were enrolled (50.5% male) with a mean age of 60.9 ± 14.9 years. AKI occurred in 38 (40.9%) ICU cases but only 6 (0.8%) non-ICU cases. Using forward stepwise Cox regression analysis, we found eight independent risk factors for AKI including decreased platelet level, lower albumin level, lower phosphorus level, higher level of lactate dehydrogenase (LDH), procalcitonin, C-reactive protein (CRP), urea, and prothrombin time (PT) on admission. For every 0.1 mmol/L decreases in serum phosphorus level, patients had a 1.34-fold (95% CI 1.14–1.58) increased risk of AKI. Patients with hypophosphatemia were likely to be older and with lower lymphocyte count, lower serum albumin level, lower uric acid, higher LDH, and higher CRP. Furthermore, serum phosphorus level was positively correlated with phosphate tubular maximum per volume of filtrate (TmP/GFR) (Pearson <i>r</i> = 0.66, <i>p</i> < .001) in subgroup analysis, indicating renal phosphate loss <i>via</i> proximal renal tubular dysfunction. The AKI incidence was very low in non-ICU patients as compared to ICU patients. Hypophosphatemia is an independent risk factor for AKI in patients hospitalized for COVID-19 infection.
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 | 0,000 | 0,001 |
| 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) | 0,191 | 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 ».