Incidence and Distribution of Transplantable Organs from Donors after Circulatory Determination of Death in U.S. Intensive Care Units
Notice bibliographique
Résumé
RATIONALE: All U.S. acute care hospitals must maintain protocols for recovering organs from donors after circulatory determination of death (DCDD), but the numbers, types, and whereabouts of available organs are unknown. OBJECTIVES: To assess the maximal potential supply and distribution of DCDD organs in U.S. intensive care units. METHODS: We conducted a population-based cohort study among a randomly selected sample of 50 acute care hospitals in the highest-volume donor service area in the United States. We identified all potentially eligible donors dying within 90 minutes of the withdrawal of life-sustaining therapy from July 1, 2008 to June 30, 2009. MEASUREMENTS AND MAIN RESULTS: Using prespecified criteria, potential donors were categorized as optimal, suboptimal, or ineligible to donate their lungs, kidneys, pancreas, or liver. If only optimal DCDD organs were used, the deceased donor supplies of these organs could increase by up to 22.7, 8.9, 7.4, and 3.3%, respectively. If optimal and suboptimal DCDD organs were used, the corresponding supply increases could be up to 50.0, 19.7, 18.5, and 10.9%. Three-quarters of DCDD organs could be recovered from the 17.2% of hospitals with the highest annual donor volumes-typically those with trauma centers and more than 20 intensive care unit beds. CONCLUSIONS: Universal identification and referral of DCDD could increase the supply of transplantable lungs by up to one-half, and would not increase any other organ supply by more than one-fifth. The marked clustering of DCDD among a small number of identifiable hospitals could guide targeted interventions to improve DCDD identification, referral, and management.
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 ».