Urinary KIM-1 for Early Detection of Acute Kidney Injury in Neonates: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Acute kidney injury (AKI) is a significant clinical concern in neonates, threatening optimal outcomes. Early and accurate diagnosis is crucial; however, current methods lack sufficient sensitivity. This meta-analysis aimed to evaluate urinary kidney injury molecule-1 (uKIM-1) for AKI in neonates by quantifying differences in uKIM-1 levels between AKI and non-AKI neonates. We systematically searched major databases for comparative studies. Quality assessment was performed using the Newcastle-Ottawa Scale, and the certainty of the evidence was assessed according to the Grading of Recommendations Assessment, Development and Evaluation (GRADE) methodology. A random-effects meta-analysis estimated the pooled Hedges’ g in uKIM-1 levels, accounting for heterogeneity. Subgroup analyses explored sources of heterogeneity (continent, study design, sampling time, AKI definition). Publication bias was assessed using Egger’s and Begg’s tests, as well as with a funnel plot. Data from 13 studies involving 552 neonates indicated a significant association between elevated uKIM-1 levels and AKI. High heterogeneity was observed (I2 = 80.32%). The pooled Hedges’ g was 0.62 (95% CI: 0.16–1.07, p = 0.01). Subgroup analysis showed stronger associations in African studies (Hedges’ g = 2.12), those using KDIGO (Hedges’ g = 0.96), cohort studies, and sampling within 2–4 days (Hedges’ g = 0.76). No publication bias was detected. This meta-analysis synthesizes evidence on uKIM-1 as an AKI biomarker. While uKIM-1 shows promise, high heterogeneity and diagnostic performance warrant further research to improve AKI detection and management in neonates.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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 ».