Impact of Precision in Staging Acute Kidney Injury and Chronic Kidney Disease on Treatment Outcomes: An Observational Study
Notice bibliographique
Résumé
(1) Background: "Kidney Disease: Improving Global Outcomes" (KDIGO) provides guidelines for identifying the stages of acute kidney injury (AKI) and chronic kidney disease (CKD). A data-driven rule-based engine was developed to determine KDIGO staging compared to KD-related keywords in discharge letters. (2) Methods: To assess potential differences in outcomes, we compare the patient subgroups with exact KDIGO staging to imprecise or missing staging for all-cause mortality, in-hospital mortality, selection bias and costs by applying Kaplan-Meier analysis and the Cox proportional hazards regression model. We analysed 63,105 in-patient cases from 2016 to 2023 at a tertiary hospital with AKI, CKD and acute-on-chronic KD. (3) Results: Imprecise and missing CKD staging were associated with an 85% higher risk of all-cause and in-hospital mortality (CI: 1.7 to 2.0 and 1.66 to 2.03, respectively) compared to exact staging for any given disease status; imprecise or missing AKI staging increased in-hospital mortality risk by 56% and 57% (CI: 1.43 to 1.70 and 1.37 to 1.81, respectively) in patients with AKI. (4) Conclusions: Exact staging is associated with better outcomes in KD management. Our study provides valuable insight into potential quality and outcome improvements and lower costs, considering elderly patients, women and patients with acute-on-chronic KD as the most vulnerable.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».