Change in Estimated GFR and Risk of Allograft Failure in Patients Diagnosed With Late Active Antibody-mediated Rejection Following Kidney Transplantation
Notice bibliographique
Résumé
BACKGROUND: There are challenges in designing adequate, well-controlled studies of patients with active antibody-mediated rejection (AMR) after kidney transplantation (KTx). METHODS: We assessed the functional relationship between change in estimated glomerular filtration rate (eGFR) following the diagnosis of AMR and the risk of subsequent death-censored graft failure using the joint modeling framework. We included recipients of solitary KTx between 1995 and 2013 at 4 transplant centers diagnosed with biopsy-proven active AMR at least 1 year post-KTx, who had a minimum of 3-year follow-up. RESULTS: A total of 91 patients across participating centers were included in the analysis. Of the 91 patients, n = 54 patients (59%) met the death-censored graft failure endpoint and n = 62 patients (68%) met the all-cause graft failure composite endpoint. Kaplan-Meier death-censored graft survival rates at 12, 36, and 60 months postdiagnosis of AMR pooled across centers were 88.9%, 58.9%, and 36.4%, respectively. Spaghetti plots indicated a linear trend in the change in eGFR, especially in the first 12 months postdiagnosis of active AMR. A significant change in eGFR was observed within the first 12 months postdiagnosis of active AMR, getting worse by a factor of -0.757 mL/min/1.73 m2 per month during the 12-month analysis period (a delta of -9.084 mL/min/1.73 m2 at 1 y). Notably, an extrapolated 30% improvement in the slope of eGFR in the first 12 months was associated with a 10% improvement in death-censored graft failure at 5 years. CONCLUSIONS: If prospectively validated, this study may inform the design of pivotal clinical trials for therapies for late AMR.
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 | 0,001 |
| 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 ».