Late Graft Loss After Kidney Transplantation: Is “Death With Function” Really Death With a Functioning Allograft?
Notice bibliographique
Résumé
BACKGROUND: About half of late kidney allograft losses are attributed to death with function (DWF), a poorly characterized outcome. An ongoing question is whether DWF is a consequence of chronic allograft dysfunction. Using the prospective Long-term Deterioration of Kidney Allograft Function study database, we sought to better define the impact, phenotype, and clinical course of DWF in the current era. METHODS: Three thousand five hundred eighty-seven kidney recipients with functional grafts at 90 days post-transplant were followed prospectively for a median of 5.2 years. RESULTS: Characteristics at transplantation in those with DWF (N = 350, 9.8%) differed from those who otherwise lost their grafts (death-censored graft failure [DC-GF], N = 295, 8.2%) or maintained function (N = 2942, 82.0%); DWF patients were older, sicker, and had been on dialysis longer, with more preexisting cardiovascular disease, whereas DC-GF patients experienced more early rejection, more acute rejection after 90 days, and a clinically significant decrease in kidney function before graft failure. In contrast, the clinical course after transplantation in DWF patients did not differ before death from those who maintained function throughout. CONCLUSIONS: DWF and DC-GF in kidney transplant recipients represent differing clinical phenotypes occurring in distinct patient populations. Reducing the impact of DWF requires better definition of causes and clinical course and then trials of therapies to improve outcomes. Composite endpoints in clinical trials that group DWF and DC-GF together may obscure important clinical findings.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».