MétaCan
Menu
Retour à la cohorte
Enregistrement W2883291317 · doi:10.1097/01.tp.0000543407.52428.4d

Early Post-Operative Acute Myocardial Infarction in Kidney Transplant Recipients

2018· article· en· W2883291317 sur OpenAlexaff
Nikita Gupta, Maya Deeb, Christopher B. Overgaard, Yanhong Li, Olusegun Famure, Joseph S. Kim

Notice bibliographique

RevueTransplantation · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueTransplantation: Methods and Outcomes
Établissements canadiensUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMedicineMyocardial infarctionCohortProportional hazards modelTransplantationKidney transplantationInternal medicineLogistic regressionIncidence (geometry)Kidney diseaseEpidemiologyCohort studySurgery

Résumé

récupéré en direct d'OpenAlex

Introduction Kidney transplantation continues to remain the gold standard clinical treatment for patients with end stage renal disease (ESRD). However, cardiovascular disease presents a significant cause of morbidity and mortality. The epidemiology of acute myocardial infarctions in the early post-operative period after kidney transplantation has not been well characterized. This study sought to examine the incidence, risk factors, and clinical outcomes of early post-operative acute myocardial infarctions or EAMI (i.e., occurring within 3-months post-transplant) in a contemporary cohort of kidney transplant recipients. Methodology A total of 1976 patients who underwent kidney transplantation at our center from 1 Jan 2000 to 30 June 2016 (minimum follow-up time: 6 months) were included. A nested case-control design was used to study EAMI risk factors using a conditional logistic regression model. EAMI cases were adjudicated by a single cardiologist using the consensus definition set by the American Heart Association. Each case was matched to 5 controls on follow-up time, transplant year, and donor type. To assess the association of EAMI with clinical outcomes such as graft loss, death with function, and hospital readmission, a Cox proportional hazards model was fitted to the total study cohort. Results A total of 74 kidney transplant recipients had an EAMI episode within the first 3 months post-transplant, with just over half of these cases (39) occurring within the first 3 days post-transplant. Based on a univariable conditional logistic regression model, the recipient risk factors found to predict EAMI included age at transplant (OR 1.05, p < 0.001), history of diabetes mellitus (OR 2.82, p < 0.001), and recipient history of coronary artery disease (OR 5.72, p < 0.001). After adjustment, recipient history of coronary artery disease was found to be the only independent predictor of EAMI (OR 3.76, p < 0.001). Patients who experienced an EAMI were at an increased risk for total graft failure (HR 3.25, p < 0.001), death-censored graft failure (HR 2.46, p = 0.002), and death with function (HR 4.00, p < 0.001). The mean estimated glomerular filtration rate was not found to be significantly different at 6 months, 12 months, and 24 months post-transplant in adjusted analyses. Finally, patients experiencing an EAMI episode had a 79% higher risk of hospital readmission over follow-up (p < 0.001). Conclusion While the incidence of EAMI in kidney transplant recipients is relatively low, these data show that EAMI has profound long-term effects on patient morbidity and mortality. Further, this study shows that EAMI patients are at an increased risk for hospital readmissions, indicating implications of EAMI at both the patient and health system levels.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,018
Tête enseignante GPT0,328
Écart entre enseignants0,310 · 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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransplantationMême sujetTransplantation: Methods and OutcomesTravaux en français237 207