Analysis of urinary urea nitrogen in critically ill surgical patients: clinical variability and utility for caloric estimation
Notice bibliographique
Résumé
Introduction: Background: critical illness is associated with loss of muscle mass, adversely affecting patient outcomes. The estimation of caloric and protein targets allows to tailor nutrition. This study explores the utility of weekly urinary urea nitrogen (UUN) measurements in critically-ill surgical patients for estimating nutritional needs. Methods: in this retrospective study, we analyzed weekly UUN measurements in patients admitted to a surgical intensive care unit (SICU) at a tertiary medical center. We compared UUN-derived EE calculations (UEE) with measured EE (MEE) obtained from indirect calorimetry (IC) and the predictive EE (PEE) using the Harris-Benedict equation. We also explored factors influencing UUN levels, and developed a predictive model for EE using UUN. Results: a total of 1,720 measurements from 892 patients were included in the final analysis. The study found significant variability in UUN levels, influenced primarily by urine output (R2 = 0.1584). The NPC:N ratio that was found to correlate best between MEE and UEE was 98.65. A moderate correlation was observed between UUN and both MEE and PEE, however the addition of UUN to classical variables of predictive models resulted in a marginal 1.6 % increase in R2 value. A statistically significant increase in UUN was observed between the first and second weeks of ICU admission (mean difference = -1.465, 95 % CI: -2.634 to -0.296, p = 0.004). Conclusions: while routine collection of UUN can reflect energy expenditure to some extent, their utility is limited by significant variability and therefore offers little added benefit in adjusting nutritional support for critically-ill surgical patients.
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 | 0,002 | 0,008 |
| 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 | 0,000 |
| 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 ».