Donor Tissue Characteristics Influence Cadaver Kidney Transplant Function and Graft Survival but Not Rejection
Notice bibliographique
Résumé
Acute injury and age are characteristics of transplanted tissue that influence many aspects of the course of a renal allograft. The influence of donor tissue characteristics on outcomes can be analyzed by studying pairing, the extent to which two kidneys retrieved from the same cadaver donor manifest similar outcomes. Pairing studies help to define the relative role of donor-related factors (among pairs) versus non-donor factors (within pairs). This study analyzed graft survival for 220 pairs of cadaveric kidneys for the similarity of parameters reflecting function and rejection. It also examined whether the performance of one kidney was predicted by the course of its "mate," the other kidney from that donor. Parameters reflecting function showed sustained pairing posttransplantation, as did graft survival. In contrast, measures of rejection strongly affected survival but showed no pairing. Surprisingly, the survival of a kidney was predicted by the early performance of its mate, an observation we term the "mate effect." Six-month graft survival and renal function were reduced in grafts for which the mate kidney displayed any criteria for functional impairment (dialysis dependency, low urine output [</=1 L] in the first 24 h posttransplant or day-7 serum creatinine >/= 400 micro mol/L), even for kidneys which themselves lacked those criteria. Rejection measures did not demonstrate the mate effect. In conclusion, kidney transplant function is strongly linked to donor-related factors (age, brain death). In contrast, rejection affects survival and function, but it is not primarily determined by the characteristics of the donor tissue. Graft survival reflects both of these influences.
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 ».