Hypokalemia, hypomagnesemia, and hyponatremia are associated with acute kidney injury in patients treated with cisplatin
Notice bibliographique
Résumé
Introduction Cisplatin-associated acute kidney injury (C-AKI) is common. Predictive factors include age >60 years, hypertension, cisplatin dose, diabetes, and serum albumin < 3.5 g/L. The association between C-AKI and hypokalemia, hypomagnesemia or hyponatremia has not been well characterized. Methods Data from a previous retrospective observational study was obtained. Patients were separated into three groups with similar cisplatin doses and schedules. Group A received cisplatin 60–100 mg/m 2 every three weeks with laboratory assessments before treatment, group B received cisplatin 60–75 mg/m 2 every three weeks with laboratory assessments before days 1 and 8 and group C had weekly cisplatin 40 mg/m 2 with weekly laboratories assessments. The association between hypomagnesemia, hypokalemia, hyponatremia, and risk of AKI was determined using a counting process specification of Cox's regression models. Results A total of 1301 patients were separated into groups A ( n = 713), B ( n = 204), and C ( n = 384). The proportion of patients with at least one event of hypokalemia, hypomagnesemia, or hyponatremia was lower in group A (29.2%, 57.6%, 36.2%) compared to groups B (43.6%, 67.2%, 59.8%) and C (49.0%, 78.7%, 51.0%). The incidence of all grade C-AKI was 35.6% (group A), 46.6% (group B), and 18.2% (group C). In group A, the risk of AKI doubled with hyponatremia or hypomagnesemia and tripled with hypokalemia. This association was not seen with other groups. Conclusion Among patients with the highest doses of cisplatin, the presence of one electrolyte disorder was associated with an increased risk of C-AKI. Other studies are needed to characterize the presence of an electrolyte disorder as a predictive risk factor of C-AKI in this subpopulation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».