Echinocandin use in lung transplant recipients
Notice bibliographique
Résumé
BACKGROUND: Invasive fungal infections (IFI) are associated with significant morbidity and mortality in lung transplant recipients (LTRs). However, data outlining use of echinocandins in prophylaxis and therapy of LTRs are limited. METHOD: A single-center retrospective cohort study on all LTRs from January-2010 to December-2016. Participants were screened for antifungal use to assess rate, tolerability, and clinical outcome of echinocandin use in LTRs, during the first 6 weeks of posttransplant. RESULTS: A total of 777 lung transplants were reviewed in 763 LTRs. Antifungals were administered to 268 (35%) of LTRs. Reasons included preemptive antifungal therapy (55% [149/268]), targeted antifungal prophylaxis (34% [92/268]), and definitive IFI therapy (10% [27/268]). Azoles were first-line agents in 80% (215/268) of LTRs, caspofungin in 11% (30/268), micafungin in 6.7% (18/268), amphotericin B in 1.5% (4/268), and anidulafungin in 0.4% (1/268]). LTRs were started on echinocandins due to abnormal liver enzymes in 91% (46/49). Overall, 23% (50/215) of LTR's were switched off azoles. Of these, 54% (27/50) were switched to echinocandins. Switch from azoles to echinocandin was undertaken due to abnormal liver enzymes in 63% (17/27). No patients receiving first-line echinocandins were switched to other therapies due to adverse events. CONCLUSIONS: Our data suggest that echinocandins are utilized in approximately 18.3% of lung transplant recipients. They are the preferred second-line agents due to a lower adverse-effect profile compared to the azoles.
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 | 0,001 | 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 ».