Журнал «Почки» Том 14, №1, 2025

Актуальність. Дослідження зосереджене на гострому пошкодженні нирок (ГПН) у госпіталізованих пацієнтів із COVID-19. ГПН є серйозною медичною проблемою, що часто пов’язана з тяжкими станами, як-от пневмонія та сепсис. Розуміння предикторів ГПН у пацієнтів із COVID-19 має вирішальне значення для поліпшення результатів лікування. Матеріали та методи. У Києві було проведено ретроспективне дослідження типу «випадок — контроль» на базі ТОВ «КАПИТАЛ» (Медичний центр «Універсальна клініка «Оберіг»). У ньому взяли участь 129 пацієнтів, госпіталізованих із помірним та тяжким перебігом COVID-19 з 2020 по 2021 рік. Вони були розділені на 2 групи: тих, у кого розвинулося ГПН (n = 19), і осіб без ГПН (n = 110). Для прогнозування ГПН використано різні моделі статистичної логістичної регресії. Результати. Значущими предикторами ГПН були вік, рівень С-реактивного білка, абсолютна кількість лімфоцитів, оцінка за прогностичною шкалою Падуї та дихальна недостатність. Не спостерігалося суттєвих відмінностей у розподілі за статтю, розрахунковій швидкості клубочкової фільтрації при госпіталізації, артеріальній гіпертензії, цукровому діабеті або індексі маси тіла між двома групами. Багатофакторна логістична регресія, що включає оцінку за шкалою Падуї, продемонструвала високу прогностичну ефективність з AUC 0,803. Висновки. У статті підкреслено критичну потребу в точних прогностичних моделях розвитку ГПН, адаптованих до конкретних популяцій. Це дослідження спрямоване на розробку нової регіональної прогностичної моделі для пацієнтів із COVID-19, із зосередженням на популяції України. У моделі використовуються дані для поліпшення прогнозування ризиків і результатів лікування пацієнтів, з акцентом на важливості раннього виявлення й стратифікації осіб із високим ризиком.

Background. The study focuses on acute kidney injury (AKI) in hospitalised COVID-19 patients. AKI is a significant medical issue often linked to severe conditions like pneumonia and sepsis. Understanding the predictors of AKI in COVID-19 is crucial for improving patient outcomes. Materials and methods. In Kyiv, a retrospective, case-control study was conducted at the KAPITAL Ltd. (Medical Centre “Universal Clinic “Oberig”). The study included 129 patients hospitalised with moderate to severe COVID-19 from 2020 to 2021. They were divided into those who developed AKI (n = 19) and those who did not (n = 110). We used various statistical logistic regression models to predict AKI. Results. Significant predictors of AKI included age, C-reactive protein levels, absolute lymphocyte count, Padua Prediction Score, and respiratory insufficiency. No significant differences were observed in gender distribution, estimated glomerular filtration rate on admission, prevalence of hypertension, diabetes, or body mass index between the two groups. Multivariate logistic regression incorporating the Padua Prediction Score showed strong predictive performance with an AUC of 0.803. Conclusions. The study highlights the critical need for accurate predictive models tailored to specific populations. It aims to develop a novel, region-specific predictive model for AKI in COVID-19 patients by focusing on the Ukrainian population. The model leverages local data to improve risk predictions and patient outcomes, emphasising the importance of early identification and stratification of high-risk individuals.

смертність; гостре пошкодження нирок; пневмонія; C-реактивний білок; прогностична шкала Падуї; лімфоцити; дихальна недостатність; громадське здоров’я; госпіталізація; результати лікування; фактори ризику; моделювання

mortality; acute kidney injury; pneumonia; C-reactive protein; Padua Prediction Score; lymphocytes; respiratory insufficiency; public health; hospitalisation; outcomes; risk factors; modelling

1. Krzanowska K, Batko K, Niezabitowska K, et al. Predic–ting acute kidney injury onset with a random forest algorithm using electronic medical records of COVID-19 patients: the –CRACoV-AKI model. Pol Arch Intern Med. 2024;134:16697. doi: 10.20452/pamw.16697.
2. Bajaj T, Koyner JL. Artificial intelligence in acute kidney injury prediction. Adv Chronic Kidney Dis. 2022;29(5):450-460. doi: 10.1053/j.ackd.2022.07.009.
3. Gruzieva T, Antonyuk O. Analysis of risk factors for severe COVID-19. Kidneys. 2023;12(1):39-45. doi: 10.22141/2307-1257.12.1.2023.393.
4. Antonyuk OY. Patient-centered approach to the management of acute kidney injury in the COVID-19 outcomes. Wiad Lek. 2024;77(4):778-783. doi: 10.36740/WLek202404125.
5. Li D, Ren H, Varelmann DJ, et al. Risk assessment for acute kidney injury and death among new COVID-19 positive adult patients without chronic kidney disease: retrospective cohort study among three US hospitals. BMJ Open. 2022;12(2):e053635. doi: 10.1136/bmjopen-2021-053635.
6. Diebold M, Schaub S, Landmann E, Steiger J, Dickenmann M. Acute kidney injury in patients with COVID-19: a retrospective cohort study from Switzerland. Swiss Med Wkly. 2021;151(9–10):w20482. Available from: https://smw.ch/index.php/smw/article/view/2974.
7. Wynants L, Van Calster B, Collins GS, et al. Prediction mo–dels for diagnosis and prognosis of COVID-19: systematic review and critical appraisal. BMJ. 2020;369:m1328. doi: 10.1136/bmj.m1328.
8. Ivanov DD, Ivanova MD, Crestanello T. Final results of BIRCOV trial (ARB, ACEI, DRi in COVID-19). Kidneys. 2021;3:143-149.