Identifying Factors Associated with Clinically Adjudicated Drug-Induced AKI in Children
Notice bibliographique
Résumé
Background: Drug-induced acute kidney injury (DI-AKI) affects up to 33% of hospitalized children. Clinical adjudication of DI-AKI is challenging since AKI is multifactorial. We report clinical variables that influence ascertainment of DI-AKI cases and inter-rater reliability (IRR) of existing causality assessment tools (CAT) for adverse drug events. Methods: We analyzed data from the DIRECT study, an international, multi-center, observational cohort study of clinically adjudicated pediatric cases of AKI stage 2 associated with nephrotoxic medication (NTMx) exposure. Each case was adjudicated by two pediatric nephrologists using CAT. A third adjudicator acted as the tiebreaker. IRR was calculated using Krippendorff's alpha. We developed variables to capture exposure to NTMx and serum creatinine trends. We constructed a multivariable logistic regression model with clinically adjudicated DI-AKI as the outcome and clinical variables as predictors. Results: 115 (86.5%) out of 133 children were adjudicated as DI-AKI. The mean age was 12.2 ± 4.5 years, and the most frequent NTMx: vancomycin (43.6%), piperacillin/tazobactam (32.3%), and non-steroidal anti-inflammatory drugs (18.8%). AKI risk factors were comparable between clinically adjudicated DI-AKI and Not DI-AKI groups. Past medical history of malignancy, increased vascular capacity (i.e., sepsis or hypotension), and severe AKI treated with dialysis made DI-AKI adjudication less likely. Longer duration from the start of drug exposure to AKI onset made DI-AKI adjudication more likely. The IRR of the Liverpool (ka = 0.35) and the Naranjo (ka = 0.31) CAT were poor. Conclusions: DI-AKI adjudication is a complex and multifactorial process. Current CAT appear to be unreliable. Development of CAT specific to DI-AKI is needed to perform robust outcomes research. Funding: Other NIH Support - International Serious Adverse Events Consortium, National Library of Medicine (Grant #T15LM011271).
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».