Urinary cell cycle arrest proteins for early prediction and phenotyping of subclinical and clinical acute kidney injury after liver transplantation
Notice bibliographique
Résumé
Acute kidney injury (AKI) is common after liver transplantation, but difficult to diagnose with serum creatinine and urinary output. This study evaluated the early risk stratification capability of urinary tissue inhibitor of metalloproteinases-2 and insulin-like growth factor binding protein-7 (u[TIMP-2]*[IGFBP-7]) in a prospective adult liver transplantation cohort. u[TIMP-2]*[IGFBP-7] was measured 6 and 36 hours after graft reperfusion, with AKI and acute kidney disease diagnosed according to KDIGO and ADQI criteria at 7-day and 90-day windows. Subclinical AKI was defined as u[TIMP-2]*[IGFBP-7] >0.30 without clinical AKI. Among 78 included patients, AKI occurred in 45% (10.3%, 11.7%, and 23.4% for stages 1, 2, and 3). At 6 hours, 46% had u[TIMP-2]*[IGFBP-7] >0.30, predicting AKI (stage ≥1) with an OR of 3.23 ( p =0.01); at 36 hours, 37% had u[TIMP-2]*[IGFBP-7] >0.30, predicting stage 3 AKI with an OR of 4.22 ( p =0.009). Serum creatinine/urinary output criteria predicted AKI only in 10% and 18% at 6 and 36 hours, respectively. Subclinical patients with AKI (24%) had higher risks of acute kidney disease (42% vs. 26%), early allograft dysfunction (32% vs. 18%), graft loss (16% vs. 4%), and longer intensive care unit stays. u[TIMP-2]*[IGFBP-7] is a valuable biomarker for early AKI risk stratification after liver transplantation, with subclinical AKI representing a distinct, clinically relevant phenotype.
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 ».