Body Composition May Be a Novel Presurgical Risk Factor for Acute Kidney Injury among Clear Cell Renal Cell Cancer Patients Undergoing Radical Nephrectomy
Notice bibliographique
Résumé
Patients with renal cell carcinoma (RCC) undergoing nephrectomy are at risk for acute kidney injury (AKI). Prior studies have focused predominantly on nonmodifiable surgical AKI risk factors. We conducted the first investigation of body composition features and AKI to identify factors that could improve presurgical risk stratification and be targeted in future interventions. We analyzed data from 1199 patients with stages I–III, clear cell RCC undergoing radical (RN) or partial nephrectomy (PN) from 2000 to 2020. AKI was defined as a serum creatinine (sCr) increase by 0.3 mg/dL within 48 h or a 1.5-fold increase in sCr within 7 days. Preoperative computed tomography (CT) scans were segmented to determine quantities and radiodensities of adipose tissue and skeletal muscle using Automatica software. Multivariable generalized linear models estimated 7-day risk differences (RD) and 95% confidence intervals (CI) within surgical subgroups. AKI was more frequent among patients undergoing RN (66%) than PN (26%). For RN, only higher visceral adipose tissue (VAT) quantity was significantly associated with greater AKI risk (RD per 40-unit increase 5.2 [95% CI: 1.3, 9.2]). We initially detected a similar association in PN, but after multivariable adjustment for all body composition features, associations were attenuated and became nonsignificant. Associations between presurgical body composition and AKI risk vary by surgery type. Higher VAT quantity increased AKI risk only among RN patients. If confirmed, CT-derived VAT quantity may be a novel pre-surgical imaging characteristic that could be used to inform treatment selection or modified to decrease postoperative AKI risk in RN 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».