Notice bibliographique
Résumé
PURPOSE OF REVIEW: Transplant patients are uniquely predisposed to emerging infections for a number of reasons. Two outbreaks, West Nile virus and severe acute respiratory syndrome, have recently provided important lessons on how transplant patients are affected, and how transplant programmes must adapt and evolve in the face of emerging infections. An update of emerging infections in transplant patients, using West Nile virus and severe acute respiratory syndrome as specific examples, is summarized here. RECENT FINDINGS: Exogenous immunosuppression, specific allograft factors, and extensive contact with the healthcare system all predispose transplant patients to emerging infections. Transplant patients may acquire West Nile virus through blood transfusion, donor transmission, or community exposure. Seroprevalence data in transplant populations suggest the risk of severe neurological disease is several fold higher in transplant recipients who acquire West Nile virus compared with immunocompetent individuals. Prevention strategies are critical in this population. These include nucleic acid testing of blood products and potentially also screening organ donors in a similar manner. During the outbreak of severe acute respiratory syndrome, transplant patients with severe and rapidly progressive disease were reported. Higher viral burdens appeared to be present in transplant patients and may have implications for the increased infectivity of these patients. Transplant programmes in severe acute respiratory syndrome areas were also adversely affected because of donor concerns, recipient issues and resource problems. SUMMARY: Transplant patients are uniquely predisposed to emerging infections. Lessons learned from West Nile virus and severe acute respiratory syndrome in transplantation should be applicable to future outbreaks of other emerging infectious diseases.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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) | 0,000 | 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 ».