MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403852345 · doi:10.1681/asn.0000000543

Authors' Reply: Long-Term Kidney Outcomes after Pediatric Acute Kidney Injury: Future Studies Need to Explore Further

2024· article· en· W4403852345 sur OpenAlexaff
Cal Robinson, Rahul Chanchlani

Notice bibliographique

RevueJournal of the American Society of Nephrology · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Kidney Injury Research
Établissements canadiensImpactInstitute for Clinical Evaluative SciencesHospital for Sick ChildrenMcMaster UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineAcute kidney injuryTerm (time)Intensive care medicineNephrologyKidneyInternal medicineUrology

Résumé

récupéré en direct d'OpenAlex

We thank Gao et al.1 for their interest in our recent JASN article “Long-Term Kidney Outcomes after Pediatric Acute Kidney Injury.”2 Their letter highlights limitations of population-based health administrative database research. However, we used robust statistical methods to mitigate observational research biases, including propensity score matching. Our study demonstrated a strong association between pediatric AKI (defined by diagnostic codes) and long-term CKD, KRT, and all-cause mortality. This persisted in sensitivity analyses defining AKI by standardized serum creatinine criteria among participants with available laboratory data. However, we could not evaluate the impact of AKI stage, duration, etiology, or extent of kidney function recovery (i.e., acute kidney disease) on long-term outcomes because of limited laboratory data. Previous studies report that AKI severity and duration are associated with higher risks of long-term CKD and hypertension.3,4 It remains unclear whether children with brief stage 1 AKI with complete functional recovery are at risk of kidney sequelae and require follow-up. Gao et al. also discuss the utility of cystatin C–based AKI definitions, particularly among neonates. Current AKI definitions are clearly limited by biologic and analytic variability of serum creatinine (e.g., age, sex, muscle mass, volume status, medications, and analytic method), which has led to substantial interest in novel AKI biomarkers. In 2023, urine neutrophil gelatinase–associated lipocalin became the first AKI biomarker approved in children by the US Food and Drug Administration. However, novel AKI biomarkers remain infrequently used in clinical practice and are not included in current AKI definitions. Cystatin C is a better marker of GFR than creatinine because it is less dependent on sex, race, muscle mass, and hydration status. However, cystatin C has not been shown to be better than serum creatinine for predicting pediatric AKI progression or long-term outcomes.5 Finally, we acknowledge potential residual confounding after propensity score matching because data on certain variables were missing, including nephrotoxic medications and iodinated radiocontrast exposures, illness severity measures (e.g., pediatric risk of mortality score), and AKI treatments. Future prospective observational studies are needed to evaluate risk factors of long-term adverse kidney outcomes after pediatric AKI. Up to 10% of hospitalized children develop AKI, and limited follow-up resources globally are a barrier to implementing post-AKI follow-up.6 Thus, clinical risk prediction tools should be developed to risk-stratify pediatric AKI survivors, identifying those most likely to develop CKD and hypertension and benefit from post-AKI kidney health surveillance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,086
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,061

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,086
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,003
Communication savante0,0030,008
Science ouverte0,0030,003
Intégrité de la recherche0,0200,037
Charge utile insuffisante (le modèle a refusé de juger)0,0080,006

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,380
Écart entre enseignants0,344 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the American Society of Nephrology→Même sujetAcute Kidney Injury Research→Travaux en français237 207→