Race, Relationship and Renal Diagnoses After Living Kidney Donation
Notice bibliographique
Résumé
BACKGROUND: In response to recent studies, a better understanding of the risks of renal complications among African American and biologically related living kidney donors is needed. METHODS: We examined a database linking U.S. registry identifiers for living kidney donors (1987-2007) to billing claims from a private health insurer (2000-2007 claims) to identify renal condition diagnoses categorized by International Classification of Diseases 9th Revision coding. Cox regression with left and right censoring was used to estimate cumulative incidence of diagnoses after donation and associations (adjusted hazards ratios, aHR) with donor traits. RESULTS: Among 4650 living donors, 13.1% were African American and 76.3% were white; 76.1% were first-degree relatives of their recipient. By 7 years post-donation, after adjustment for age and sex, greater proportions of African American compared with white donors had renal condition diagnoses: chronic kidney disease (12.6% vs 5.6%; aHR, 2.32; 95% confidence interval [95% CI], 1.48-3.62), proteinuria (5.7% vs 2.6%; aHR, 2.27; 95% CI, 1.32-3.89), nephrotic syndrome (1.3% vs 0.1%; aHR, 15.7; 95% CI, 2.97-83.0), and any renal condition (14.9% vs 9.0%; aHR, 1.72; 95% CI, 1.23-2.41). Although first-degree biological relationship to the recipient was not associated with renal risk, associations of African American race persisted for these conditions and included unspecified renal failure and reported disorders of kidney dysfunction after adjustment for biological donor-recipient relationship. CONCLUSIONS: African Americans more commonly develop renal conditions after living kidney donation, independent of donor-recipient relationship. Continued research is needed to improve risk stratification for renal outcomes among African American living donors.
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 ».