MétaCan
Menu
Retour à la cohorte
Enregistrement W2414981328 · doi:10.1016/j.nephro.2016.01.007

Retour en dialyse après échec de transplantation : comment améliorer les résultats dans cette population fragile ?

2016· article· fr· W2414981328 sur OpenAlexaboutno aff
Georges Mourad, Ilan Szwarc, Aurèle Buzançais

Notice bibliographique

RevueNéphrologie & Thérapeutique · 2016
Typearticle
Languefr
DomaineMedicine
ThématiquePharmacological Effects and Toxicity Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineGynecology

Résumé

récupéré en direct d'OpenAlex

Résumé Cinq ans après une transplantation rénale, 10 à 15 % des patients greffés retournent en dialyse ou nécessitent une nouvelle transplantation ; ce chiffre augmente à 23 % à 10 ans. La dialyse après échec de transplantation est maintenant une cause importante d’initiation de la dialyse, estimée à environ 5 % des incidents aux États-Unis et 10 % en France et cette population augmentera probablement dans les années qui viennent. Les patients dialysés après un échec de transplantation ont des facteurs spécifiques de fragilité : longue période d’urémie et d’immunosuppression, anémie avec résistance à l’érythropoïétine, hypoalbuminémie et état inflammatoire dû à la présence de l’allogreffe. Ces facteurs peuvent augmenter la mortalité durant la première année de dialyse, comme cela a été observé aux États-Unis, mais pas au Canada ni en France. Lorsqu’ils sont comparés à un groupe témoin d’incidents en dialyse non greffés suivis pendant plus de 12 mois dans le même hôpital, les patients après un échec de transplantation ont plus souvent une fistule artério-veineuse fonctionnelle, un même taux d’initiation de dialyse en urgence, et un débit de filtration glomérulaire plus élevé. Nous suggérons que cette prise en charge néphrologique optimale explique les bons résultats observés en France, et que la survie des patients après échec de transplantation dépend non seulement des caractéristiques individuelles de cette catégorie de patients mais également de la qualité du système de soins.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,323
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNéphrologie & ThérapeutiqueMême sujetPharmacological Effects and Toxicity StudiesTravaux en français237 207