Development of a nomogram for predicting kidney replacement therapy and hyperkalemia in acute kidney injury

• Jonathan S. Chávez-Iñiguez ^[3] ; J. Said Cabrera-Aguilar ^[3] ; Gonzalo Rodríguez-García ^[1] ; Guillermo Navarro-Blackaller ^[3] ; Ramón Medina-González ^[1] ; Alejandro Martínez Gallardo-González ^[3] ; Luz Alcantar-Vallin ^[3] ; Gabriela J. Abundis-Mora ^[1] ; Juan A. Gómez-Fregoso ^[3] ; Guillermo García-García ^[2] ; Paula Catalina Lizarazo ^[4] ; Emerson Joachin Sánchez ^[4]
  1. [1] Hospital Civil de Guadalajara

     Hospital Civil de Guadalajara

     México

     
  2. [2] Universidad de Guadalajara

     Universidad de Guadalajara

     México

     
  3. [3] Nephrology Department, Hospital Civil de Guadalajara Fray Antonio Alcalde, Guadalajara, Jalisco, Mexico; University of Guadalajara Health Sciences Center, Guadalajara, Jalisco, Mexico
  4. [4] Medical Department, Astra Zeneca, Mexico City, Mexico

  Mostrar afiliaciones +
• Localización: Nefrología: publicación oficial de la Sociedad Española de Nefrología, ISSN 0211-6995, Vol. 46, Nº. 5, 2026
• Idioma: inglés
• Títulos paralelos:
  • Desarrollo de un nomograma para predecir la terapia de reemplazo renal y la hipercalemia en la lesión renal aguda
• Enlaces
  • Texto completo
• Resumen
  • español

    Antecedentes La lesión renal aguda (LRA) es prevalente entre los pacientes hospitalizados, complicándose a menudo por hipercalemia (HyperK), terapia de reemplazo renal (TRR), y episodios renales adversos mayores (MAKE). La predicción temprana de estos resultados sigue siendo una prioridad clínica.

    Objetivo Desarrollar y validar nomogramas a nivel interno utilizando variables clínicas recopiladas rutinariamente para predecir el riesgo de HyperK, KRT y MAKE, incluyendo muerte y reducción ≥25ml/min/1,73m2 de TFGe en pacientes hospitalizados con LRA.

    Métodos Este estudio retrospectivo de cohorte incluyó 753 pacientes adultos con LRA sin HyperK inicial, evaluados en un centro de referencia terciario de 2020 a 2024. Los modelos de regresión logística identificaron factores predictivos para HyperK y MAKE, estratificados por sexo. El desempeño del modelo fue evaluado mediante AUC, calibración y métricas predictivas. Se construyeron los nomogramas sobre la base de los modelos multivariante finales.

    Resultados Durante el seguimiento, el 24% de los pacientes desarrollaron HyperK. Los factores predictivos independientes incluyeron uso de vasopresores, shock, obstrucción urinaria, baja hemoglobina y potasio basal más elevado. El modelo de HyperK demostró una discriminación moderada (AUC 0,68), aunque un valor predictivo negativo alto (97%). Los nomogramas estratificados por sexo para MAKE, KRT y mortalidad reflejaron un desempeño fuerte (AUC 0,74-0,98), con una mayor precisión observada en los modelos para LRA en ambos sexos (AUC 0,96). Los predictores variaron por sexo, pero incluyeron comúnmente sobrecarga de volumen, trastorno ácido–base, uremia y elevación de creatinina.

    Conclusión Desarrollamos nomogramas pragmáticos y accesibles capaces de predecir HyperK, LRA y MAKE en los pacientes de LRA utilizando datos clínicos estándar. Dichas herramientas ofrecen una estratificación del riesgo oportuna y personalizada, y pueden respaldar la toma de decisiones clínica en diversos ámbitos hospitalarios.

  • English

    Background Acute kidney injury (AKI) is prevalent among hospitalized patients and is frequently complicated by hyperkalemia (HyperK), kidney replacement therapy (KRT), and major adverse kidney events (MAKE). Early prediction of these outcomes remains a clinical priority.

    Objective To develop and internally validate nomograms using routinely collected clinical variables to predict the risk of HyperK, KRT, and MAKE, including death and ≥25mL/min/1.73m2 reduction in eGFR in hospitalized AKI patients.

    Methods This retrospective cohort study included 753 adult AKI patients without initial HyperK, evaluated at a tertiary referral center from 2020 to 2024. Logistic regression models identified predictors of HyperK and MAKE, stratified by sex. Model performance was assessed via AUC, calibration, and predictive metrics. Nomograms were constructed based on final multivariate models.

    Results During follow-up, 24% of patients developed HyperK. Independent predictors included vasopressor use, shock, urinary obstruction, low hemoglobin, and higher baseline potassium. The HyperK model demonstrated moderate discrimination (AUC 0.68) but a high negative predictive value (97%). Sex-stratified nomograms for MAKE, KRT, and mortality showed strong performance (AUCs 0.74–0.98), with highest accuracy observed in KRT models for both sexes (AUC 0.96). Predictors varied by sex but commonly included volume overload, acid–base disorders, uremia, and elevated creatinine.

    Conclusion We developed pragmatic and accessible nomograms capable of predicting HyperK, KRT, and MAKE in AKI patients using standard clinical data. These tools offer timely, personalized risk stratification and may support clinical decision-making in diverse hospital settings.