Advocating for the inclusion of kidney health outcomes in neonatal research: best practice recommendations by the Neonatal Kidney Collaborative
Notice bibliographique
Résumé
Acute kidney injury (AKI) occurs in nearly 30% of sick neonates. Chronic kidney disease (CKD) can be detected in certain populations of sick neonates as early as 2 years. AKI is often part of a multisystem syndrome that negatively impacts developing organs resulting in short- and long-term pulmonary, neurodevelopmental, and cardiovascular morbidities. It is critical to incorporate kidney-related data into neonatal clinical trials in a uniform manner to better understand how neonatal AKI or CKD could affect an outcome of interest. Here, we provide expert opinion recommendations and rationales to support the inclusion of short- and long-term neonatal kidney outcomes using a tiered approach based on study design: (1) observational studies (prospective or retrospective) limited to data available within a center's standard practice, (2) observational studies involving prospective data collection where prespecified kidney outcomes are included in the design, (3) interventional studies with non-nephrotoxic agents, and (4) interventional studies with known nephrotoxic agents. We also provide recommendations for biospecimen collection to facilitate ancillary kidney specific research initiatives. This approach balances the costs of AKI and CKD ascertainment with knowledge gained. We advocate that kidney outcomes be included routinely in neonatal clinical study design. Consistent incorporation of kidney outcomes across studies will increase our knowledge of neonatal morbidity.
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 | 0,140 | 0,266 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,009 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,010 | 0,008 |
| Intégrité de la recherche | 0,015 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».