Simultaneous Liver Kidney Transplantation: A Medical Decision Analysis
Notice bibliographique
Résumé
BACKGROUND: The use of simultaneous liver kidney transplantation has increased dramatically. When the liver and kidney are available from the same deceased donor, what is the best decision? There are two allocation options. In the combined allocation, both organs are allocated to a liver failure (end-stage liver disease [ESLD]) patient on dialysis leaving an end-stage renal disease (ESRD) patient on dialysis. In split allocation, the liver is allocated to the liver failure patient on dialysis and the kidney to the patient with ESRD. METHODS: A computerized medical decision analysis was performed using published US survival data. The two options were compared by examining differences in projected quality-adjusted life years (QALYs). RESULTS: Combined allocation was the best strategy (+0.806 QALYs) if liver transplant recipients on dialysis have proportionately worse survival compared with kidney failure alone patients on dialysis. However, because some patients with hepatorenal syndrome recover kidney function post-liver transplant alone (LTA), a second analysis incorporated the possibilities of being dialysis free. If the chance of recovery of renal function is 50% rather than 0%, the decision reversed. Here, the split allocation provided 1.02 more total QALYs than the combined allocation. CONCLUSIONS: This study demonstrates that simultaneous liver kidney transplantation is an excellent strategy in most patients with both ESLD and ESRD. However, allocating a kidney to a patient with ESLD, who has the potential to be dialysis free without a kidney transplant, does not maximize overall outcomes when all patients are considered.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,003 | 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 ».