Pretransplant Opioid Use and Survival After Lung Transplantation
Notice bibliographique
Résumé
BACKGROUND: The impact of opioid use in lung transplant candidates on posttransplant outcomes is unknown. Studies on opioid therapy in kidney and liver transplant candidates have suggested increased risk of graft failure or death. We sought to analyze the relationship between pretransplant opioid use in lung transplant candidates and retransplant-free survival. METHODS: We retrospectively reviewed adult patients transplanted consecutively between November 2004 and August 2015. The exposure was any opioid use at time of transplant listing and primary outcome was retransplant-free survival, analyzed via Cox regression model adjusted for recipient age, gender, ethnicity, diagnosis, and bridging status. Secondary outcomes included duration of ventilation, intensive care unit and hospital length of stay, 3-month and 1-year survival, continuing opioid use at 1 year, and time to onset of chronic lung allograft dysfunction. RESULTS: The prevalence of opioid use at time of listing was 14% (61/425). Median daily oral morphine equivalent dose was 31 mg (18-54). Recipient ethnicity was associated with pretransplant opioid use. Opioid use at time of listing did not increase risk of death or retransplantation in an adjusted model (hazard ratio 1.12 [95% confidence interval 0.65-1.83], P = 0.6570). Secondary outcomes were similar between groups except hospital length of stay (opioid users 35 versus nonusers 27 d, P = 0.014). Continued opioid use at 1-year posttransplant was common (27/56, 48%). CONCLUSIONS: Pretransplant opioid use was not associated with retransplant-free survival in our cohort and should not necessarily preclude listing. Further work stratifying opioid use by indication and the association with opioid use disorder would be worthwhile.
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) | 0,000 | 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 ».