Comparison of different algorithms for the assessment of cardiovascular risk after kidney transplantation by the time of entering waiting list
Notice bibliographique
Résumé
BACKGROUND: The prevalence of cardiovascular disease is high among patients with chronic kidney disease and cardiovascular events (CVE) remain the leading cause of death after kidney transplantation (KT). We performed a retrospective analysis of 389 KT recipients to assess if the European Society of Cardiology Score (ESC-Score), Framingham Heart Study Score (FRAMINGHAM), Prospective Cardiovascular Munster Study Score (PROCAM-Score) or Assessing cardiovascular risk using Scottish Intercollegiate Guidelines Network Score (ASSIGN-Score) algorithms can predict cardiovascular risk after KT at the time of entering the waiting list. METHODS: 389 KT candidates were scored by the time of entering the waiting list. Pearsons chi-square test, cox regression analysis and survival estimates were performed to evaluate the reliability of the cardiovascular scoring models after successful KT. RESULTS: During a follow-up of 8 ± 5.8 years, 96 patients (30%) died due to cardiovascular problems, whereas 13.9% suffered non-fatal CVE. Graft loss occurred in 84 patients (21.6%). Predictors of CVE, survival and graft loss were age and the length of end-stage kidney disease. All scores performed well in assessing the risk for CVE (P < 0.01). Receiver-operating characteristic analysis using the ESC-SCORE, as an example, suggested a cut-off for risk stratification and clinical decisions. CONCLUSIONS: We found all tested scores were reliable for cardiovascular assessment. We suggest using cardiac scores for risk assessment before KT and then taking further steps according to current guidelines.
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) | 0,001 | 0,001 |
| 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 ».