Importance

 The US is currently an epicenter of the coronavirus disease 2019 (COVID-19) pandemic, yet few national data are available on patient characteristics, treatment, and outcomes of critical illness from COVID-19. 

Objectives

 To assess factors associated with death and to examine interhospital variation in treatment and outcomes for patients with COVID-19. 

Design, Setting, and Participants

 This multicenter cohort study assessed 2215 adults with laboratory-confirmed COVID-19 who were admitted to intensive care units (ICUs) at 65 hospitals across the US from March 4 to April 4, 2020. 

Exposures

 Patient-level data, including demographics, comorbidities, and organ dysfunction, and hospital characteristics, including number of ICU beds. 

Main Outcomes and Measures

 The primary outcome was 28-day in-hospital mortality. Multilevel logistic regression was used to evaluate factors associated with death and to examine interhospital variation in treatment and outcomes. 

Results

 A total of 2215 patients (mean [SD] age, 60.5 [14.5] years; 1436 [64.8%] male; 1738 [78.5%] with at least 1 chronic comorbidity) were included in the study. At 28 days after ICU admission, 784 patients (35.4%) had died, 824 (37.2%) were discharged, and 607 (27.4%) remained hospitalized. At the end of study follow-up (median, 16 days; interquartile range, 8-28 days), 875 patients (39.5%) had died, 1203 (54.3%) were discharged, and 137 (6.2%) remained hospitalized. Factors independently associated with death included older age (≥80 vs <40 years of age: odds ratio [OR], 11.15; 95% CI, 6.19-20.06), male sex (OR, 1.50; 95% CI, 1.19-1.90), higher body mass index (≥40 vs <25: OR, 1.51; 95% CI, 1.01-2.25), coronary artery disease (OR, 1.47; 95% CI, 1.07-2.02), active cancer (OR, 2.15; 95% CI, 1.35-3.43), and the presence of hypoxemia (Pao₂:Fio₂<100 vs ≥300 mm Hg: OR, 2.94; 95% CI, 2.11-4.08), liver dysfunction (liver Sequential Organ Failure Assessment score of 2-4 vs 0: OR, 2.61; 95% CI, 1.30–5.25), and kidney dysfunction (renal Sequential Organ Failure Assessment score of 4 vs 0: OR, 2.43; 95% CI, 1.46–4.05) at ICU admission. Patients admitted to hospitals with fewer ICU beds had a higher risk of death (<50 vs ≥100 ICU beds: OR, 3.28; 95% CI, 2.16-4.99). Hospitals varied considerably in the risk-adjusted proportion of patients who died (range, 6.6%-80.8%) and in the percentage of patients who received hydroxychloroquine, tocilizumab, and other treatments and supportive therapies. 

Conclusions and Relevance

 This study identified demographic, clinical, and hospital-level risk factors that may be associated with death in critically ill patients with COVID-19 and can facilitate the identification of medications and supportive therapies to improve outcomes.

Importance

 Therapies that improve survival in critically ill patients with coronavirus disease 2019 (COVID-19) are needed. Tocilizumab, a monoclonal antibody against the interleukin 6 receptor, may counteract the inflammatory cytokine release syndrome in patients with severe COVID-19 illness. 

Objective

 To test whether tocilizumab decreases mortality in this population. 

Design, Setting, and Participants

 The data for this study were derived from a multicenter cohort study of 4485 adults with COVID-19 admitted to participating intensive care units (ICUs) at 68 hospitals across the US from March 4 to May 10, 2020. Critically ill adults with COVID-19 were categorized according to whether they received or did not receive tocilizumab in the first 2 days of admission to the ICU. Data were collected retrospectively until June 12, 2020. A Cox regression model with inverse probability weighting was used to adjust for confounding. 

Exposures

 Treatment with tocilizumab in the first 2 days of ICU admission. 

Main Outcomes and Measures

 Time to death, compared via hazard ratios (HRs), and 30-day mortality, compared via risk differences. 

Results

 Among the 3924 patients included in the analysis (2464 male [62.8%]; median age, 62 [interquartile range {IQR}, 52-71] years), 433 (11.0%) received tocilizumab in the first 2 days of ICU admission. Patients treated with tocilizumab were younger (median age, 58 [IQR, 48-65] vs 63 [IQR, 52-72] years) and had a higher prevalence of hypoxemia on ICU admission (205 of 433 [47.3%] vs 1322 of 3491 [37.9%] with mechanical ventilation and a ratio of partial pressure of arterial oxygen to fraction of inspired oxygen of <200 mm Hg) than patients not treated with tocilizumab. After applying inverse probability weighting, baseline and severity-of-illness characteristics were well balanced between groups. A total of 1544 patients (39.3%) died, including 125 (28.9%) treated with tocilizumab and 1419 (40.6%) not treated with tocilizumab. In the primary analysis, during a median follow-up of 27 (IQR, 14-37) days, patients treated with tocilizumab had a lower risk of death compared with those not treated with tocilizumab (HR, 0.71; 95% CI, 0.56-0.92). The estimated 30-day mortality was 27.5% (95% CI, 21.2%-33.8%) in the tocilizumab-treated patients and 37.1% (95% CI, 35.5%-38.7%) in the non-tocilizumab–treated patients (risk difference, 9.6%; 95% CI, 3.1%-16.0%). 

Conclusions and Relevance

 Among critically ill patients with COVID-19 in this cohort study, the risk of in-hospital mortality in this study was lower in patients treated with tocilizumab in the first 2 days of ICU admission compared with patients whose treatment did not include early use of tocilizumab. However, the findings may be susceptible to unmeasured confounding, and further research from randomized clinical trials is needed.

Early reports indicate that AKI is common among patients with coronavirus disease 2019 (COVID-19) and associated with worse outcomes. However, AKI among hospitalized patients with COVID-19 in the United States is not well described.

AKI is a common sequela of coronavirus disease 2019 (COVID-19). However, few studies have focused on AKI treated with RRT (AKI-RRT).

Interest in a career in nephrology has been declining.1 The ratio of candidates applying to nephrology fellowships per position has been less than 1 since 2016, with the lowest reaching 0.6 candidates per position.2 The reasons behind the decreased interest in nephrology have been explored mainly through surveys and interviews.3-7 Several factors such as difficulty of the subject, lack of role models, lack of exposure to the field and procedures, perception of low remuneration, and poor work-life balance are important contributors to why nephrology was not chosen.

Background: Identification of symptoms is challenging with surveys, which are time-intensive and low-throughput. Natural language processing (NLP) could be utilized to identify symptoms from narrative documentation in the electronic health record (EHR). Methods: We utilized NLP to parse notes for maintenance hemodialysis (HD) patients from two EHR databases (BioMe and MIMIC-III) to identify fatigue, nausea/vomiting, anxiety, depression, cramping, itching, and pain. We compared NLP performance with International Classification of Diseases (ICD) codes and validated the performance of both NLP and codes against manual chart review in a representative subset. Results: We identified 1034 and 929 HD patients from BioMe and MIMIC-III respectively. The most frequently identified symptoms by NLP from both cohorts were fatigue, pain, and nausea and/or vomiting. NLP was significantly more sensitive than ICD codes for nearly all symptoms. In the BioMe dataset, sensitivity for NLP ranged from 0.85-0.99 vs. 0.09-0.59 for ICD codes. In the MIMIC-III dataset, NLP sensitivity was 0.8-0.98 vs. 0.02-0.53 for ICD. ICD codes were significantly more specific for nausea and/or vomiting (NLP 0.57 vs. ICD 0.97, P=0.03) in BioMe and for depression (NLP 0.67 vs. ICD 0.99, P=0.002) in MIMIC-III. A majority of patients in both cohorts had ≥4 symptoms. The more encounters available for a patient the more likely NLP was to identify a symptom. Conclusions: NLP out performed ICD codes for identification of symptoms on several tests parameters including sensitivity for a majority of symptoms. NLP may be useful for the high-throughput identification of patient centered outcomes from EHR.

Objective: Electronic health record (EHR) systems contain structured data and unstructured documentation. Clinical insights can be derived from analyzing both but optimal methods for this have not been studied extensively. We compared various approaches to analyzing EHR data for non-alcoholic fatty liver disease (NAFLD). Materials and Methods: We compared analysis of structured and unstructured EHR data using natural language processing (NLP), free-text search, and diagnostic codes against expert adjudication as the reference standard. Results: Out of 38,575 patients, we identified 2,281 patients with NAFLD. From the remainder, 10,653 patients with similar data density were selected as a control group. NLP was more sensitive than ICD and text search (NLP 0.93 vs. ICD 0.28 vs. text search 0.81) with higher a F2 score (NLP 0.92 vs. ICD 0.34 vs. text search 0.81). 619 patients had suspected NAFLD documented in radiology notes not acknowledged in other forms of clinical documentation. Of these, 232 (37.5%) were found to have more advanced liver disease after a median of 1,057 days. Discussion: NLP-based approaches have superior accuracy in identifying NAFLD within the EHR compared to ICD/text search-based approaches. Suspected NAFLD on imaging is often not acknowledged in subsequent clinical documentation. Many such patients are later found to have more advanced liver disease. Conclusion: For identification of NAFLD, NLP performed better than alternative selection modalities and facilitated follow-on analysis of information flow. If accuracy can be proven to persist across clinical domains, NLP can identify patient phenotypes for biomedical research in an accurate and high-throughput manner.

Objective: Acute kidney injury (AKI) is highly prevalent in critically ill patients with sepsis. Sepsis-associated AKI is a heterogeneous clinical entity, and, like many complex syndromes, is composed of distinct subtypes. We aimed to agnostically identify AKI subphenotypes using machine learning techniques and routinely collected data in electronic health records (EHRs). Design: Cohort study utilizing the MIMIC-III Database. Setting: ICUs from tertiary care hospital in the U.S. Patients: Patients older than 18 years with sepsis and who developed AKI within 48 hours of ICU admission. Interventions: Unsupervised machine learning utilizing all available vital signs and laboratory measurements. Measurements and Main Results: We identified 1,865 patients with sepsis-associated AKI. Ten vital signs and 691 unique laboratory results were identified. After data processing and feature selection, 59 features, of which 28 were measures of intra-patient variability, remained for inclusion into an unsupervised machine-learning algorithm. We utilized k-means clustering with k ranging from 2 to 10; k=2 had the highest silhouette score (0.62). Cluster 1 had 1,358 patients while Cluster 2 had 507 patients. There were no significant differences between clusters on age, race or gender. We found significant differences in comorbidities and small but significant differences in several laboratory variables (hematocrit, bicarbonate, albumin) and vital signs (systolic blood pressure and heart rate). In-hospital mortality was higher in cluster 2 patients, 25% vs. 20%, p=0.008. Features with the largest differences between clusters included variability in basophil and eosinophil counts, alanine aminotransferase levels and creatine kinase values. Conclusions: Utilizing routinely collected laboratory variables and vital signs in the EHR, we were able to identify two distinct subphenotypes of sepsis-associated AKI with different outcomes. Variability in laboratory variables, as opposed to their actual value, was more important for determination of subphenotypes. Our findings show the potential utility of unsupervised machine learning to better subtype AKI.