Pretransplantation Recipient Regulatory T cell Suppressive Function Predicts Delayed and Slow Graft Function after Kidney Transplantation
Notice bibliographique
Résumé
BACKGROUND: Delayed graft function (DGF) and slow graft function (SGF) are a continuous spectrum of ischemia-reperfusion-related acute kidney injury (AKI) that increases the risk for acute rejection and graft loss after kidney transplantation. Regulatory T cells (Tregs) are critical in transplant tolerance and attenuate murine AKI. In this prospective observational cohort study, we evaluated whether pretransplantation peripheral blood recipient Treg frequency and suppressive function are predictors of DGF and SGF after kidney transplantation. METHODS: Deceased donor kidney transplant recipients (n=53) were divided into AKI (n=37; DGF, n=10; SGF, n=27) and immediate graft function (n=16) groups. Pretransplantation peripheral blood CD4CD25FoxP3 Treg frequency was quantified by flow cytometry. Regulatory T-cell suppressive function was measured by suppression of autologous effector T-cell proliferation by Treg in co-culture. RESULTS: Pretransplantation Treg suppressive function, but not frequency, was decreased in AKI recipients (P<0.01). In univariate and multivariate analyses accounting for the effects of cold ischemic time and donor age, Treg suppressive function discriminated DGF from immediate graft function recipients in multinomial logistic regression (odds ratio, 0.77; P<0.01), accurately predicted AKI in receiver operating characteristic curve (area under the curve, 0.82; P<0.01), and predicted 14-day estimated glomerular filtration rate in linear regression (P<0.01). CONCLUSION: Our results indicate that recipient peripheral blood Treg suppressive function is a potential independent pretransplantation predictor of DGF and SGF.
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 | 0,001 |
| 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 ».