Acute Kidney Injury Diagnostic Accuracy and Implications of Different Baseline Creatinine Equations
Notice bibliographique
Résumé
Introduction Acute kidney injury (AKI) definitions rely on known baseline creatinine (Cr b ), unavailable in up to 75% of hospitalized children. New equations (ABC methods) for estimating Cr b were derived from children without kidney disease. We aim to externally validate ABC methods in an international cohort and assess how different Cr b equations alter AKI epidemiology. Methods AWARE was a prospective international study of critically ill children (age 0-25 years) from 32 PICUs. A subset of AWARE (n=2451) with known Cr b (gold standard) is used to validate ABC methods using statistical measures of precision (R 2 ) and accuracy (within 10% or 30% of gold standard). The entire cohort (n=4984) is used to determine how different Cr b estimating equations (3 ABC equations and 4 published eGFR equations imputing Cr b ) impact AKI incidence and its association with key clinical outcomes, including 28-day mortality, using univariate and multivariate analysis. Results The ABC-Age equation (requiring only age) demonstrated similar accuracy and precision compared to existing Cr b equations. The ABC-Creatinine equation (includes age and hospital creatinine value) outperformed existing Cr b equations by up to 15% in precision (ABC-Creatinine R 2 =0.51 versus FAS R 2 =0.36) and 32% in accuracy (ABC-Creatinine 66% versus Original Schwartz 34%). For the entire cohort, AKI incidence varied from 7-12% depending on Cr b definition. ABC equations are associated with clinical outcomes similarly to existing Cr b equations. Conclusion ABC-Creatinine equation (with minimal variables) outperformed existing Cr b equations for accuracy and precision as the optimal method for Cr b estimation. Cr b definition variability alters AKI incidence and epidemiology, necessitating standardization.
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 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».