MétaCan
Menu
Retour à la cohorte
Enregistrement W2917564178 · doi:10.1177/2054358119830706

Outcomes Following Macrolide Use in Kidney Transplant Recipients

2019· article· en· W2917564178 sur OpenAlexaffabout
Rachel Jeong, Robert R. Quinn, Krista L. Lentine, Anita Lloyd, Pietro Ravani, Brenda R. Hemmelgarn, Branko Braam, Amit X. Garg, Kevin Wen, Anita Wong-Chan, Sita Gourishankar, Ngan N. Lam

Notice bibliographique

RevueCanadian Journal of Kidney Health and Disease · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueRenal Transplantation Outcomes and Treatments
Établissements canadiensWestern UniversityUniversity of CalgaryUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMedicineAzithromycinClarithromycinErythromycinRenal functionTacrolimusInternal medicineKidney transplantationCreatinineDialysisKidney diseaseMacrolide AntibioticsCalcineurinTransplantationAntibioticsMicrobiology

Résumé

récupéré en direct d'OpenAlex

Background: Calcineurin inhibitors (CNI; cyclosporine, tacrolimus) are critical for kidney transplant immunosuppression, but have multiple potential drug interactions, such as with macrolide antibiotics. Macrolide antibiotics (clarithromycin, erythromycin, and azithromycin) are often used to treat atypical infections. Clarithromycin and erythromycin inhibit CNI metabolism and increase the risk of CNI nephrotoxicity, while azithromycin does not. Objective: To determine the frequency of CNI-macrolide co-prescriptions, the proportion who receive post-prescription monitoring, and the risk of adverse drug events in kidney transplant recipients. Design: Retrospective cohort study. Setting: We used linked health care databases in Alberta, Canada. Patients: We included 293 adult kidney transplant recipients from 2008-2015 who were co-prescribed a CNI and macrolide. Measurements: The primary outcome was a composite of all-cause hospitalization, acute kidney injury (creatinine increase ≥0.3 mg/dL or 1.5 times baseline), or death within 30 days of the macrolide prescription. Methods: We identified CNI-macrolide co-prescriptions and compared outcomes in those who received clarithromycin/erythromycin versus azithromycin. We used a linear mixed-effects model to examine the mean change in serum creatinine and estimated glomerular filtration rate (eGFR). Results: Of the 293 recipients who were co-prescribed a CNI and a macrolide, 38% (n = 112) were prescribed clarithromycin/erythromycin while 62% (n = 181) were prescribed azithromycin. Compared with azithromycin users, clarithromycin/erythromycin users were less likely to have outpatient serum creatinine monitoring post-prescription (56% vs 69%, P = .03). There was no significant difference in the primary outcome between the 2 groups (17% vs 11%, P = .11); however, the risk of all-cause hospitalization was higher in the clarithromycin/erythromycin group (10% vs 3%, P = .02). The mean decrement in eGFR was significantly greater in the clarithromycin/erythromycin versus azithromycin group (−5.4 vs −1.9 mL/min/1.73 m 2 , P < .05). Limitations: We did not have CNI levels to correlate with the timing of CNI-macrolide co-prescriptions. We also did not have information regarding the indications for macrolide prescriptions. Conclusion: Clarithromycin and erythromycin were frequently co-prescribed in kidney transplant recipients on CNIs despite known drug interactions. Clarithromycin/erythromycin use was associated with a higher risk of hospitalization compared with azithromycin users. Safer prescribing practices in kidney transplant recipients are warranted.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,056
Score d'incertitude au seuil0,111

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,295
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Kidney Health and DiseaseMême sujetRenal Transplantation Outcomes and TreatmentsTravaux en français237 207