Additional file 1 of Changing epidemiology of acute kidney injury in critically ill patients with COVID-19: a prospective cohort
Notice bibliographique
Résumé
Additional file 1: Figure S1: Number of patients admitted to ICU, patients with acute kidney injury, and patients who received kidney replacement therapy by month of admission. Figure S2: Proportions of patients with acute kidney injury and patients who received kidney replacement therapy by month of admission. Table S1: Baseline characteristics, laboratory biomarkers, treatment and outcomes by wave, AKI status and AKI staging. Table S2: Unadjusted associations between demographic characteristics and diagnosis of acute kidney injury for all patients and stratified by wave. Table S3: Indications for KRT between wave 1 and 2. Table S4: Adjusted associations between demographic characteristics and kidney replacement therapy for all patients and stratified by wave. Table S5: Comparison of daily cumulative fluid balance (%) by waves and sources of admission. Table S6: Unadjusted associations between COVID-19 treatments and AKI or KRT for all patients and stratified by wave. Table S7: Treatment and fluid balance for AKI or KRT patients only, stratified by day of diagnosis or KRT and wave of the pandemic. Table S8: Changes in serum creatinine and GFR values in alive patients from baseline, hospital discharge, and 90 days after hospital discharge Table S9: Associations between AKI, KRT and 24-hour cumulative fluid balance.
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 | 0,017 |
| 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) | 0,742 | 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 ».