Acute kidney injury incidence and clinical features: Refractory versus non-refractory ascites
Notice bibliographique
Résumé
INTRODUCTION AND OBJECTIVES: Outpatients with cirrhosis, ascites and minor acute serum creatinine (sCr) changes could have been missed as having acute kidney injury (AKI). This study aims to assess the incidence, clinical features of all AKI stages amongst patients with cirrhosis and various ascites severities. MATERIALS AND METHODS: Retrospective study of patients with cirrhosis and ascites from April 2020 to March 2021. Data collected included demographics, clinical features, medications, AKI development, and 6-month follow-up outcomes. Multivariate analysis for factors predicting AKI development and resolution was done. RESULTS: 115 (38 % of 306) with refractory ascites (RA) were compared to 191 with non-refractory ascites (n-RA), 86 % were outpatients. RA patients had higher baseline MELD-Na (18.1 ± 4.7 vs. 17.2 ± 6.8 in n-RA, p = 0.01) but had similar cirrhosis complications. 98 % RA patients required regular large volume paracenteses (LVP) (p < 0.001 vs. n-RA). AKI occurred in 39 % of RA and 19 % of n-RA patients (p<0.001). Most were stage 1 AKI, treated with albumin ± vasoconstrictor with similar response. 27 % of AKI in n-RA were classified as type 1 HRS (vs.20 % in RA, p < 0.001). Baseline MELD-Na (p = 0.01) predicted AKI development; lower peak sCr predicted AKI resolution (p = 0008). 11 (3.6 %) n-RA and 22 (19 %) RA patients developed acute-on-chronic liver failure (ACLF), with 86 % RA patients having renal failure as part of the ACLF syndrome (p < 0.001 vs. n-RA patients). Both groups had similar 6-month survival. CONCLUSIONS: AKI occurs not infrequently in n-RA patients who are mostly treated as outpatients. Therefore, patients with n-RA need to be monitored closely so to allow prompt diagnosis and treatment of AKI.
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 | 0,000 |
| 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 ».