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 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 | 0,000 |
| 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 ».