Associations between Deceased-Donor Urine Injury Biomarkers and Kidney Transplant Outcomes
Notice bibliographique
Résumé
Assessment of deceased-donor organ quality is integral to transplant allocation practices, but tools to more precisely measure donor kidney injury and better predict outcomes are needed. In this study, we assessed associations between injury biomarkers in deceased-donor urine and the following outcomes: donor AKI (stage 2 or greater), recipient delayed graft function (defined as dialysis in first week post-transplant), and recipient 6-month eGFR. We measured urinary concentrations of microalbumin, neutrophil gelatinase-associated lipocalin (NGAL), kidney injury molecule-1 (KIM-1), IL-18, and liver-type fatty acid binding protein (L-FABP) from 1304 deceased donors at organ procurement, among whom 112 (9%) had AKI. Each biomarker strongly associated with AKI in adjusted analyses. Among 2441 kidney transplant recipients, 31% experienced delayed graft function, and mean±SD 6-month eGFR was 55.7±23.5 ml/min per 1.73 m(2) In analyses adjusted for donor and recipient characteristics, higher donor urinary NGAL concentrations associated with recipient delayed graft function (highest versus lowest NGAL tertile relative risk, 1.21; 95% confidence interval, 1.02 to 1.43). Linear regression analyses of 6-month recipient renal function demonstrated that higher urinary NGAL and L-FABP concentrations associated with slightly lower 6-month eGFR only among recipients without delayed graft function. In summary, donor urine injury biomarkers strongly associate with donor AKI but provide limited value in predicting delayed graft function or early allograft function after transplant.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».