Nonimmunologic Donor-Recipient Pairing, HLA Matching, and Graft Loss in Deceased Donor Kidney Transplantation
Notice bibliographique
Résumé
BACKGROUND: In kidney transplantation, nonimmunologic donor-recipient (D-R) pairing is generally not given the same consideration as immunologic matching. The aim of this study was to determine how nonimmunologic D-R pairing relates to independent donor and recipient factors, and to immunologic HLA match for predicting graft loss. METHODS: Seven D-R pairings (race, sex, age, weight, height, cytomegalovirus serostatus, and HLA match) were assessed for their association with the composite outcome of death or kidney graft loss using a Cox regression-based forward stepwise selection model. The best model for predicting graft loss (including nonimmunologic D-R pairings, independent D-R factors, and/or HLA match status) was determined using the Akaike Information Criterion. RESULTS: Twenty three thousand two hundred sixty two (29.9%) people in the derivation data set and 9892 (29.7%) in the validation data set developed the composite outcome of death or graft loss. A model that included both independent and D-R pairing variables best predicted graft loss. The c-indices for the derivation and validation models were 0.626 and 0.629, respectively. Size mismatch (MM) between donor and recipient (>30 kg [D < R} and >15 cm [D < R]) was associated with poor patient and graft survival even with 0 HLA MM, and conversely, an optimal D-R size pairing mitigated the risk of graft loss seen with 6 HLA MM. CONCLUSIONS: D-R pairing is valuable in predicting patient and graft outcomes after kidney transplant. D-R size matching could offset the benefit and harm seen with 0 and 6 HLA MM, respectively. This is a novel finding.
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 ».