Notice bibliographique
Résumé
PURPOSE OF REVIEW: The success of any given kidney transplant is closely tied to the ability to monitor patients and responsively change their medications. Transplant monitoring is still, however, dependent on relatively old technologies: serum creatinine levels, urine output, blood pressure, blood glucose and histopathology of biopsy samples. These older technologies do not offer sufficient specificity, sensitivity, or accuracy to allow appropriate and timely interventions. Using the tools of genomics, proteomics and metabolomics new biomarkers are being found that may greatly improve transplant monitoring and significantly enhance graft survival. This review describes the basic principles of metabolomics and summarizes a number of recent developments in the use of metabolite biomarkers and metabolomics to monitor kidney transplants. RECENT FINDINGS: Changes in the concentration profiles of a number of small molecule metabolites found in either blood or urine can be used to localize organ damage, identify organs at risk of rejection, assess organs suffering from ischemia-repurfusion injury or identify organs that have been damaged by immunosuppressive drugs. SUMMARY: The application of metabolomics to kidney transplant monitoring is still very much in its infancy. Nevertheless, there are a number of easily measured metabolites in both urine and serum that can provide reliable indications of organ function, organ injury, and immunosuppressive drug toxicity. As the field matures, metabolomics may eventually lead to the development of rapid, inexpensive and noninvasive approaches to assist clinicians in monitoring kidney transplants.
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 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 ».