Transfusional iron burden and liver toxicity after bone marrow transplantation for acute myelogenous leukemia and hemoglobinopathies
Notice bibliographique
Résumé
BACKGROUND: While it is appropriate to treat transfusional iron overload to limit end-organ injury after bone marrow transplantation (BMT) for beta-thalassemia major (TM), this approach after BMT for sickle cell disease (SCD) and hematological malignancies has not been studied. PROCEDURE: Fifteen children with SCD (n = 4), TM (n = 6), or acute myelogenous leukemia (AML, n = 5) underwent HLA-identical sibling BMT between 2000 and 2003. Prospective evaluations of iron biomarkers were performed and the three groups were compared. RESULTS: The pre-BMT duration and volume of RBC transfusions varied among the three groups, but baseline ferritin and liver iron concentration (LIC) were similar. In contrast, liver histology differed. Liver inflammation was present in four TM patients and portal fibrosis was observed in five TM and one SCD patient. Hepatic veno-occlusive disease (VOD) developed in 5 of 15 patients. VOD was not associated with age, ferritin, ALT, or transfusions, but an association with liver inflammation and elevated LIC was suggested. Phlebotomy was performed in five patients after BMT. Changes in LIC were minimal in non-phlebotomized patients (P = 0.02). CONCLUSION: Iron biomarkers demonstrated significant iron overload before BMT in patients with malignant and non-malignant disorders. However, iron overload was associated with liver inflammation and VOD primarily in TM patients. The clinical significance of iron overload in patients after BMT remains uncertain, but this is the first study to suggest that VOD may be associated with transfusional iron burden.
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 ».