Blood transfusion in deceased donor kidney transplantation
Notice bibliographique
Résumé
BACKGROUND: Given the unpredictable timing of deceased donor organs and the need for blood transfusion, this study was carried out to determine the rate and risk factors for transfusion in order to identifying a low-risk cohort in the face of a critical blood shortage. METHODS: This retrospective chart review examined 306 consecutive deceased solitary kidney transplant recipients from January 2006 to August 2012. RESULTS: Records show that 80 (26.1%) patients were transfused with a total of 300 units (0.98 units/transplant) during their first hospital stay. Transfusions were higher in patients on warfarin (8/14, 57%, 5.1 units/transplant) and antiplatelet agents (46/136, 33.8%, 1.1 unit/transplant) compared to no anticoagulants (74/156, 16.7%, 0.47 units/transplant). In a multivariable logistic regression analysis warfarin (odd ratio (OR) 8.2, 95% confidence interval (CI) 2.5-27, P=0.001), antiplatelet agents (OR 2.9, 95% CI 1.6-5.3, P=0.001), recipient age ≥55 years (OR 2.2, 95% CI 1.2-3.9, P=0.008), recipient male (OR 0.36, 95% CI 0.2-0.64, P=0.001) and preop hemoglobin ≥115 g/L (OR 0.32, 95% CI 0.18-0.57, P<0.001) were independent predictors of blood transfusion. Lower bleeding cohorts with transfusion rates <5% could not be identified. CONCLUSION: The need for blood is significantly higher in subjects on either warfarin or antiplatelet agents. These patients might be avoided if kidney transplantation is to occur during a critical blood shortage. Unfortunately even patients not on anticoagulation are at some risk.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».