Early Clinical and Economic Outcomes of Patients Undergoing Living Donor Nephrectomy in the United States
Notice bibliographique
Résumé
BACKGROUND: Efforts to maximize kidney transplantation are tempered by concern for the live donor's safety. Case series and center surveys exist, but national aggregate data are lacking. We sought to determine predictors of early clinical and economic outcomes following living donor nephrectomy. DESIGN: A retrospective cross-sectional analysis using 1999-2005 discharge data from the Healthcare Cost and Utilization Project Nationwide Inpatient Sample was performed. Cases were identified by International Classification of Diseases, Ninth Revision (ICD-9), codes. Clinical and economic outcomes were analyzed with regard to patient and provider characteristics using bivariate and multivariate regression analyses. SETTING: Healthcare Cost and Utilization Project Nationwide Inpatient Sample. PATIENTS: Patients undergoing living donor nephrectomy, identified by the ICD-9 codes. INTERVENTIONS: Clinical and economic outcomes were analyzed with regard to patient and provider characteristics using bivariate and multivariate regression analyses. MAIN OUTCOME MEASURES: In-hospital complications, mortality, mean length of stay (LOS), and mean total hospital costs. RESULTS: A total of 6320 cases were identified with 0% mortality and a complication rate of 18.4%. The mean (SD) LOS was 3.3 (0.3) days, and the mean inpatient cost was $10 708 ($505). Independent predictors of donor complications included older age (odds ratio [OR], 1.01), male sex (OR, 1.19), Charlson Comorbidity Index of at least 1 (OR, 1.49), obesity (OR, 1.76), medium-size hospitals (OR, 1.88), and low-volume hospitals (OR, 1.37). Predictors of longer LOS included older age, female sex, Charlson score of at least 1, lower household income, low-volume and urban hospitals, and low-volume surgeons. CONCLUSIONS: Kidney donation is associated with a low mortality rate but an 18% complication rate. Donation by those with advanced age or obesity is associated with higher risks. Informed consent should include discussion of these risks.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».