The effect of high protein dosing in critically ill patients: an exploratory, secondary Bayesian analyses of the EFFORT Protein trial
Notice bibliographique
Résumé
BACKGROUND: The EFFORT Protein trial assessed the effect of high vs usual dosing of protein in adult ICU patients with organ failure. This study provides a probabilistic interpretation and evaluates heterogeneity in treatment effects (HTE). METHODS: We analysed 60-day all-cause mortality and time to discharge alive from hospital using Bayesian models with weakly informative priors. HTE on mortality was assessed according to disease severity (Sequential Organ Failure Assessment [SOFA] score), acute kidney injury, and serum creatinine values at baseline. RESULTS: The absolute difference in mortality was 2.5% points (95% credible interval -6.9 to 12.4), with a 72% posterior probability of harm associated with high protein treatment. For time to discharge alive from hospital, the hazard ratio was 0.91 (95% credible interval 0.80 to 1.04) with a 92% probability of harm for the high-dose protein group compared with the usual-dose protein group. There were 97% and 95% probabilities of positive interactions between the high protein intervention and serum creatinine and SOFA score at randomisation, respectively. Specifically, there was a potentially relatively higher mortality of high protein doses with higher baseline serum creatinine or SOFA scores. CONCLUSIONS: We found moderate to high probabilities of harm with high protein doses compared with usual protein in ICU patients for the primary and secondary outcomes. We found suggestions of heterogeneity in treatment effects with worse outcomes in participants randomised to high protein doses with renal dysfunction or acute kidney injury and greater illness severity at baseline.
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 | 0,003 | 0,003 |
| 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 | 0,000 |
| 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 ».