Adverse renal outcomes in subjects undergoing nephrectomy for renal tumors: a population-based analysis
Notice bibliographique
Résumé
Background: There has been increasing interest in determining renal outcomes after nephrectomy for renal tumors. Previous studies have not assessed all relevant risk factors, including proteinuria. Objective: We sought to determine the risk and predictors for the development of adverse renal outcomes in a population-based cohort of subjects undergoing partial or complete nephrectomy. Design, Setting, and Participants: A large population-based data set was used to identify all subjects undergoing nephrectomy in Alberta, Canada, from 2002 to 2007 using administrative codes. Comorbid conditions were determined using validated algorithms, and baseline estimated glomerular filtration rate (eGFR) and proteinuria status were determined. Measurements: Postsurgical outcomes of end-stage renal disease, acute dialysis, chronic kidney disease (CKD) (eGFR < 30 mL/min per 1.73 m(2)), and rapidly progressive CKD (eGFR < 60 mL/min per 1.73 m(2) and eGFR loss 4 mL/min per 1.73 m(2) per year) were assessed. The risk and risk factors for developing the composite renal outcome were determined using a multivariable Cox proportional hazards model. Results and Limitations: Of 1151 subjects, 10.5% developed an adverse renal outcome over a mean of 32 mo. Complete (vs. partial) nephrectomy was associated with a hazard ratio (HR) of 1.75 (95% confidence interval [CI], 1.02-2.99) for the primary outcome, as was lower baseline eGFR. Subjects with proteinuria were more likely to experience the primary outcome (42% vs. 9%), conferring an adjusted HR of 2.40 (95% CI, 1.47-3.88). Conclusions: Clinically important adverse renal outcomes are common in patients undergoing nephrectomy for renal tumors. In addition to baseline eGFR and the extent of the renal mass removed, proteinuria is a strong independent risk factor. Assessment of proteinuria, in addition to other risk factors, should be performed to inform prognosis and the optimal treatment strategy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».