Incidence, Risk Factors, and Outcomes of Clostridium difficile Infections in Kidney Transplant Recipients
Notice bibliographique
Résumé
BACKGROUND: Kidney transplant recipients (KTR) may be at increased risk for Clostridium difficile infections (CDI) but risk factors and outcomes in this population have not been well studied. METHODS: An observational cohort study was conducted to determine the incidence, risk factors, and outcomes of CDI in KTR. A total of 1816 KTR transplanted between 2000 and 2013 at the Toronto General Hospital were included. Sixty-eight patients developed CDI. Controls were selected at a 4:1 ratio using risk-set sampling, and risk factors were explored using conditional logistic regression models. The impact of CDI on graft outcomes was evaluated using Cox proportional hazards models. RESULTS: The incidence rate of CDI was 0.64 cases/100 person-years. Independent predictors of CDI included antibiotic use (odds ratio [OR], 2.88; 95% confidence interval [CI], 1.35-6.15), increased duration of hospitalization posttransplant (OR, 1.04; 95% CI, 1.02-1.06]), receiving a deceased donor kidney (OR, 2.98; 95% CI, 1.47-6.05), and a history of biopsy-proven acute rejection (OR, 5.82; 95% CI, 2.22-15.26). In the Cox proportional hazards model, CDI was found to be an independent risk factor for the subsequent development of biopsy-proven acute rejection (hazard ratio, 2.18; 95% CI, 1.34-3.55). CONCLUSIONS: Our results confirm that transplant-specific factors place KTR at a higher risk for CDI. Clostridium difficile infections may increase the risk of adverse outcomes, such as biopsy-proven acute rejection. These findings emphasize the importance of preventive strategies to reduce the morbidity associated with CDI in KTR.
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) | 0,000 | 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 ».