Impact of Early Graft Function on 10-Year Graft Survival in Recipients of Kidneys From Standard- or Expanded-Criteria Donors
Notice bibliographique
Résumé
BACKGROUND: The use of kidneys from expanded-criteria donors (ECD) is regarded with caution. METHODS: We compared 279 kidney transplant recipients (KTxR) from standard-criteria donors (SCD) and 237 from ECD, transplanted between January 1990 and December 2006. We evaluated the impact of immediate graft function (IGF), slow graft function (SGF), and delayed graft function (DGF) and the drop in estimated glomerular filtration rate (ΔeGFR) ≤ 30% or > 30% during the first year after transplantation on long-term patient and death-censored graft survival (DCGS). RESULTS: Ten-year patient survival was similar in SCD- or ECD-KTxR (P = 0.38). DCGS was better in SCD-KTxR versus ECD-KTxR (77.3% vs. 67.3%; P = 0.01). DCGS did not differ in either group experiencing IGF (P = 0.17) or DGF (P = 0.12). However, DCGS was worse in ECD-KTxR experiencing SGF (84.9% vs. 73.7%; P = 0.04). Predictors of DCGS were 1-year serum creatinine (hazard ratio, 1.03; P < 0.0001) and ΔeGFR > 30% between 1 and 12 months (Δ1-12eGFR) after transplantation (hazard ratio, 2.2; P = 0.02). In ECD-KTxR with IGF and more than 1-year follow-up, 10-year DCGS was better in those with Δ1-12eGFR ≤ 30% versus those with Δ1-12eGFR > 30% (83.8% vs. 53.6%; P = 0.01). CONCLUSION: Recipients of SCD or ECD kidneys with IGF or DGF had similar 10-year patient survival and DCGS. SGF had a worse impact on DCGS in ECD-KTxR. In addition to 1-year serum creatinine, Δ1-12eGFR > 30% is a negative predictor of DCGS. Larger studies should confirm if increasing the use of ECD, avoiding factors that contribute to SGF or DGF, and/or a decline in eGFR during the first year after transplantation may expand the donor pool and result in acceptable long-term outcomes.
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) | 0,002 | 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 ».