Optimizing Livers for Transplantation Using Machine Perfusion versus Cold Storage in Large Animal Studies and Human Studies: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Liver allograft preservation frequently involves static cold storage (CS) and machine perfusion (MP). With its increasing popularity, we investigated whether MP was superior to CS in terms of beneficial outcomes. METHODS: Human studies and large animal studies that optimized livers for transplantation using MP versus CS were assessed (PubMed/Medline/EMBASE). Meta-analyses were conducted for comparisons. Study quality was assessed according to the Newcastle-Ottawa quality assessment scale and SYRCLE's risk of bias tool. RESULTS: Nineteen studies were included. Among the large animal studies, lower levels of lactate dehydrogenase (SMD -3.16, 95% CI -5.14 to -1.18), alanine transferase (SMD -2.46, 95% CI -4.03 to -0.90), and hyaluronic acid (SMD -2.48, 95% CI -4.21 to -0.74) were observed in SNMP-preserved compared to CS-preserved livers. NMP-preserved livers showing lower level of hyaluronic acid (SMD -3.97, 95% CI -5.46 to -2.47) compared to CS-preserved livers. Biliary complications (RR 0.45, 95% CI 0.28 to 0.73) and early graft dysfunction (RR 0.56, 95% CI 0.34 to 0.92) also significantly reduced with HMP preservation in human studies. No evidence of publication bias was found. CONCLUSIONS: MP preservation could improve short-term outcomes after transplantation compared to CS preservation. Additional randomized controlled trials (RCTs) are needed to develop clinical applications of MP preservation.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 ».