Acute renal failure following lung transplantation: risk factors, mortality, and long-term consequences
Notice bibliographique
Résumé
OBJECTIVE: Acute renal failure (ARF) frequently complicates lung transplantation. This study determined the prevalence, predictive factors, and consequences of ARF on long-term renal function and survival. METHODS: One hundred and seventy-four lung transplantation recipients were divided into two groups based on the presence or absence of ARF defined as a 50% decrease in creatinine clearance from baseline (group I: 67 patients with ARF; group II: 107 patients without ARF). Multivariate analysis compared pre-operative, operative, and post-operative risk factors to assess predictive factors. Renal function over time was assessed by two-way repeated measures analysis of variance (ANOVA). RESULTS: ARF developed in 67 (39%) of patients. Multivariate analysis identified aprotinin (OR 2.20 (1.11; 4.36), p=0.02) and double lung transplantation (OR 2.61 (1.32; 5.15), p=0.006) as risk factors for post-operative renal failure. At 5 years following transplant, creatinine clearance was similar between the two groups (group I CrCl: 73 ml s(-1); group II CrCl: 53 ml s(-1); p=0.54). Survival at 5 years was the same in the two groups. Multivariate analysis associated age at the time of transplantation (HR 1.030 (1.004; 1.057), p=0.02) and intensive care unit (ICU) length of stay (HR 1.029 (1.008; 1.051), p=0.007) with decreased survival. CONCLUSIONS: The use of aprotinin and double lung transplantation are associated with ARF following lung transplantation. Age at the time of transplantation and a longer intensive care stay predict decreased survival. ARF after lung transplantation is not predictive of late renal dysfunction or decreased long-term survival.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».