Understanding and managing cardiovascular outcomes in liver transplant recipients
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Cardiovascular disease (CVD) is a common cause of mortality after liver transplantation. The transplant community is focused on improving long-term survival. Understanding the prevalence of CVD in liver transplant recipients, precipitating factors as well as prevention and management strategies is essential to achieving this goal. RECENT FINDINGS: CVD is the leading cause of death within the first year after transplant. Arrhythmia and heart failure are the most often cardiovascular morbidities in the first year after transplant which could be related to pretransplant diastolic dysfunction. Pretransplant diastolic dysfunction is reflective of presence of cirrhotic cardiomyopathy which is not as harmless as it was thought. Multiple cardiovascular risk prediction models have become available to aid management in liver transplant recipients. SUMMARY: A comprehensive prevention and treatment strategy is critical to minimize cardiovascular morbidity and mortality after liver transplant. Weight management and metabolic syndrome control are cornerstones to any prevention and management strategy. Bariatric surgery is an underutilized tool in liver transplant recipients. Awareness of 'metabolic-friendly' immunosuppressive regimens should be sought. Strict adherence to the cardiology and endocrine society guidelines with regard to managing metabolic derangements post liver transplantation is instrumental for CVD prevention until transplant specific recommendations can be made.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».