ExplorinG frailty and mild cognitive impairmEnt in kidney tRansplantation to predict biomedicAl, psychosocial and health cost outcomeS (GERAS): protocol of a nationwide prospective cohort study
Notice bibliographique
Résumé
AIM: To present the rationale, design and methodology of the GERAS project, which examines whether assessment of frailty and mild cognitive impairment could enhance risk prediction for biomedical, psychosocial outcomes and foster efficient resource allocation in kidney transplantation. BACKGROUND: For the burgeoning cohort of older patients considered for kidney transplantation, evidence gaps regarding frailty and mild cognitive impairment limit clinical decision-making and medical management. As known risk factors for 'hard' clinical outcomes in chronic illness, both require further study in transplantation. Integrating these and other bio-psychosocial factors into a comprehensive pre-transplant patient assessment will provide insights regarding economic implications and may improve risk prediction. DESIGN: A nation-wide multi-centre prospective cohort study nested in the Swiss Transplant Cohort Study. METHODS: Our nationally representative convenience sample includes 250 adult kidney transplant recipients. Data sources include the Swiss Transplant Cohort Study and primary data collected at time of transplantation, 6 months, 1 and 2 years post-transplant via established measures (the Montreal Cognitive Assessment, Psychosocial Questionnaire, Fried Frailty Instrument and a blood analysis), investigator-developed instruments and datasets compiled by hospitals' management control units, sickness funds, the Swiss Federal Statistical Office and the European Renal Association. Descriptive, competing risk survival and mixed effects analyses will be performed. Research Ethics Committee approval was obtained in January 2016. DISCUSSION: This pioneering project jointly examines frailty and mild cognitive impairment from bio-psychosocial and health economic perspectives. Results may significantly inform risk prediction, care tailoring and resource optimization to improve health outcomes in the ageing kidney transplant cohort.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».