A Propensity Score–weighted Comparison of Outcomes Between Living and Standard Criteria Deceased Donor Kidney Transplant Recipients
Notice bibliographique
Résumé
BACKGROUND: Consider a theoretical situation in which 2 patients with similar baseline characteristics receive a kidney transplant on the same day: 1 from a standard criteria deceased donor, the other from a living donor. Which kidney transplant will last longer? METHODS: We conducted a population-based cohort study using linked administrative healthcare databases from Ontario, Canada, from January 1, 2005, to March 31, 2014, to evaluate several posttransplant outcomes in individuals who received a kidney transplant from a standard criteria deceased donor (n = 1523) or from a living donor (n = 1373). We used PS weighting using overlap weights, a novel weighting method that emphasizes the population of recipients with the most overlap in baseline characteristics. RESULTS: Compared with recipients of a living donor, the rate of all-cause graft failure was not statistically higher for recipients of a standard criteria deceased donor (hazard ratio, 1.1; 95% confidence interval [CI], 0.8-1.6). Recipients of a standard criteria deceased donor, compared with recipients of a living donor had a higher rate of delayed graft function (23.6% versus 18.7%; odds ratio, 1.3; 95% CI, 1.0-1.6) and a longer length of stay for the kidney transplant surgery (mean difference, 1.7 d; 95% CI, 0.5-3.0). CONCLUSIONS: After accounting for many important donor and recipient factors, we failed to observe a large difference in the risk of all-cause graft failure for recipients of a standard criteria deceased versus living donor. Some estimates were imprecise, which meant we could not rule out the presence of smaller clinically important effects.
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) | 0,001 | 0,000 |
| 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 ».