Risk factors for surgical site infection after kidney and pancreas transplantation
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the incidence of surgical site infection (SSI) in a cohort of pancreas transplant recipients and assess predisposing risk factors for SSI DESIGN: Retrospective cohort study SETTING: Single transplant center in CanadaPatientsPatients who underwent any simultaneous pancreas and kidney (SPK) or pancreas after kidney (PAK) transplant procedures between January 2000 and December 2015 METHODS: In this retrospective cohort evaluation of SPK or PAK recipients, we assessed the incidence of SSI and risk factors associated with superficial, deep, and organ/space SSI. Multivariate logistic regression was used to identify independent risk factors for SSI in SPK and PAK recipients. RESULTS: In total, 445 adult transplant recipients were enrolled. The median age of these patients was 51 years (range, 19-71 years), and 64.9% were men. SSIs were documented in 108 patients (24.3%). Organ/space SSIs predominated (59 patients, 54.6%), followed by superficial SSIs (47 patients, 43.5%) and deep SSIs (3 patients, 2.8%). Factors predictive of SSIs in the multivariate analysis were cold pancreas ischemic time (odds ratio [OR], 1.002; P=.019) and SPK transplant (compared to PAK transplant recipients; OR, 2.38; P=.038). Patients with SSIs developed graft loss more frequently (OR, 16.99; P<.001). CONCLUSIONS: Organ/space SSIs remain a serious and common complication after SPK and PAK. Prolonged cold ischemic time and SPK transplant were the risk factors predictive of SSIs. Appropriate perioperative prophylaxis in high-risk patients targeting the potential pathogens producing SSIs in kidney and/or pancreas transplant recipients and a reduction in cold ischemia may prove beneficial in reducing these SSIs.
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 ».