Substance use in kidney transplant candidates and its impact on access to kidney transplantation
Notice bibliographique
Résumé
BACKGROUND: Due to the increasing public acceptance of substance use, it is important to understand the association between substance use and access to kidney transplant and its outcomes. Here, we assess the sociodemographic predictors of substance use and the association between substance use and KT access. METHODS: Predictors of substance use were examined using a multivariable-adjusted multinomial logistic regression. The association between current substance use (tobacco and drug) and time from referral to listing or receipt of a KT was examined using Cox proportional hazards models. RESULTS: Of 2346 patients, the prevalence of current substance use was 17%. Predictors of current tobacco use were younger age, male sex, Caucasian ethnicity, being unemployed, and unmarried. Predictors of current drug use were younger age, male sex, Caucasian ethnicity, a history of non-adherence, and a history of mental health disorder. Patients with tobacco use had a decreased likelihood of being cleared for KT (hazard ratio [HR]:0.83[0.70, 0.99]) and receiving a KT (HR:0.80 [0.66, 0.96]). No association was seen in this sample for patients with drug use (HR:0.88 [0.69, 1.11] for being cleared for KT and 0.88 [0.69, 1.14] for KT, respectively). CONCLUSIONS: Tobacco use was associated with a decreased likelihood of access to KT whereas there was no statistically significant difference in access to KT between patients with or without drug use.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».