MétaCan
Menu
Retour à la cohorte
Enregistrement W2974850256 · doi:10.1177/2054358119875459

Can Split Renal Volume Assessment by Computed Tomography Replace Nuclear Split Renal Function in Living Kidney Donor Evaluations? A Systematic Review and Meta-Analysis

2019· review· en· W2974850256 sur OpenAlex
Steven Habbous, Carlos García-Ochoa, Gary Brahm, Chris Nguan, Amit X. Garg

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueCanadian Journal of Kidney Health and Disease · 2019
Typereview
Langueen
DomaineMedicine
ThématiqueRenal and Vascular Pathologies
Établissements canadiensLondon Health Sciences CentreVancouver General HospitalWestern University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineMeta-analysisConfidence intervalRenal functionRandom effects modelKidneyNuclear medicineUrologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: As part of their living kidney donor assessment, all living donor candidates complete a computed tomography (CT) angiogram, but some also receive a nuclear renogram for split renal function (SRF%). Objective: We considered whether split renal volume (SRV%) assessed by CT can predict SRF%. Design: Systematic review and meta-analysis. Setting: Living donor candidates undergoing evaluation as potential living kidney donors. Patients: Living donor candidates who received both a nuclear renogram for split function and CT for SRV as part of their living donor work-up. Measurements: Split renal volume from CT scans and SRF from nuclear renography. Methods: We performed a systematic review and meta-analysis of the literature, abstracting data and digitizing plots where possible. We searched Medline, EMBASE, and the Cochrane Library. We added data from donor candidates assessed in London, Ontario from 2013 to 2016. We used fixed and random-effects models to pool Fisher’s z -transformed Pearson’s correlation coefficient ( r ). We conducted random-effects meta-regression on digitized and aggregate data. Studies were restricted to living kidney donors or living donor candidates. Results: After pooling 19 studies (n = 1479), we obtained a pooled correlation of r = 0.74 (95% confidence interval [CI] = 0.61-0.82). By linear regression using individual-level data, we observed a 0.76% (95% CI = 0.71-0.81) increase in SRF% for every 1% increase in SRV%. Split renal volume had a specificity of 88% for discriminating SRF at a threshold that could influence the decision of which kidney is to be removed (between-kidney difference ≥10%). Predonation SRV and SRF both moderately predicted kidney function 6 to 12 months after donation: r = 0.75 for SRV and r = 0.73 for SRF; Δ r = 0.05 (–0.02, 0.13). Limitations: Most studies were retrospective and measured SRV and SRF only on selected living donor candidates. Efficiency gains in removing the SRF from the evaluation will depend on the transplant program. Conclusion: Split renal volume has the potential to replace SRF for some candidates. However, it is uncertain whether it can do so reliably and routinely across different transplant centers. The impact on clinical decision-making needs to be assessed in well-designed prospective studies. Trial registration: The digitized data are registered with Mendeley Data (doi10.17632/dyn2bfgxxj.2).

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,010
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,664
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0060,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,061
Tête enseignante GPT0,353
Écart entre enseignants0,292 · 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