Reduced survival and quality of life following return to dialysis after transplant failure: the Dialysis Outcomes and Practice Patterns Study
Notice bibliographique
Résumé
BACKGROUND: Although dialysis after kidney transplant failure (TF) is common, the outcomes of these patients remain unclear. We compared outcomes of TF patients with transplant-naïve (TN) patients wait-listed for kidney transplantation. METHODS: We used data from the Dialysis Outcomes and Practice Patterns Study (DOPPS), including laboratory markers and health-related quality of life (HR-QOL). Mortality and hospitalization of participants with one prior TF versus TN patients were compared using the Cox regression analysis. HR-QOL physical and mental component summary scores (PCS and MCS) were examined using linear mixed models, and clinical practices were compared using logistic regression. RESULTS: Compared with TN patients (n = 2806), TF patients (n = 1856) were younger (48 versus 51 years, P = 0.003), less likely to be diabetic (18 versus 27%, P < 0.0001) and to use a permanent surgical vascular access {adjusted odds ratio (AOR): 0.85 [95% confidence interval (CI): 0.70-1.03], P = 0.10}, particularly within the first 3 months after TF [AOR 0.45 (0.32-0.62), P < 0.0001]. TF patients also had lower PCS [mean difference -2.56 (-3.36, -1.75), P < 0.0001] but not MCS [-0.42 (-1.34, 0.50), P = 0.37]. All-cause mortality [adjusted hazard ratio (AHR): 1.32 (95% CI: 1.05-1.66), P = 0.02], especially infection-related [AHR 2.45 (95% CI: 1.36-4.41), P = 0.01], was higher among TF patients. CONCLUSIONS: TF patients have reduced QOL and higher mortality, particularly due to infections, than TN patients. Interventions to optimize care before and after starting dialysis remain to be identified and applied in clinical practice.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».