Gout after Living Kidney Donation: Correlations with Demographic Traits and Renal Complications
Notice bibliographique
Résumé
BACKGROUND: The demographic and clinical correlates of gout after living kidney donation are not well described. METHODS: Using a unique database that integrates national registry identifiers of U.S. living kidney donors (1987-2007) with billing claims from a private health insurer (2000-2007), we identified post-donation gout based on medical diagnosis codes or pharmacy fills for gout therapies. The frequencies and demographic correlates of gout after donation were estimated by Cox regression with left- and right-censoring. We also compared the rates of renal diagnoses among donors with and without gout, matched in the ratio 1:3 by age, sex, and race. RESULTS: The study sample of 4,650 donors included 13.1% African Americans. By seven years, African Americans were almost twice as likely to develop gout as Caucasian donors (4.4 vs. 2.4%; adjusted hazard ratio, aHR, 1.8; 95% confidence interval (CI) 1.0-3.2). Post-donation gout risk also increased with older age at donation (aHR per year 1.05) and was higher in men (aHR 2.80). Gout rates were similar in donors and age- and sex-matched general non-donors (rate ratio 0.86; 95% CI 0.66-1.13). Compared to matched donors without gout, donors with gout had more frequent renal diagnoses, reaching significance for acute kidney failure (rate ratio 12.5; 95% CI 1.5-107.0), chronic kidney disease (rate ratio 5.0; 95% CI 2.1-11.7), and other disorders of the kidney (rate ratio 2.2; 95% CI 1.2-4.2). CONCLUSION: Donor subgroups at increased risk of gout include African Americans, older donors, and men. Donors with gout have a higher burden of renal complications after demographic adjustment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| 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 | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».