Blood Transfusion and Adverse Graft-related Events in Kidney Transplant Patients
Notice bibliographique
Résumé
BACKGROUND: The impact of posttransplant red blood cell transfusion (RBCT) and their potential immunomodulatory effects on kidney transplant recipients are unclear. We examined the risks for adverse graft outcomes associated with post-kidney transplant RBCT. METHODS: We conducted a retrospective cohort study of all adult kidney transplant recipients at The Ottawa Hospital from 2002 to 2018. The exposure of interest was receipt of an RBCT after transplant categorized as 1, 2, 3 to 5, and >5 RBC. Outcomes of interest were rejection and death-censored graft loss (DCGL). Cox proportional hazards models were used to calculate hazard ratios (HR) with RBCT as a time-varying, cumulative exposure. RESULTS: Among 1258 kidney transplant recipients, 468 (37.2%) received 2373 total RBCTs, 197 (15.7%) had rejection and 114 (9.1%) DCGL. For the receipt of 1, 2, 3 to 5, and >5 RBCT, compared with individuals never transfused, the adjusted HRs (95% confidence interval [CI]) for rejection were 2.47 (1.62-3.77), 1.27 (0.77-2.11), 1.74 (1.00-3.05), and 2.23 (1.13-4.40), respectively; DCGL 2.32 (1.02-5.27), 3.03 (1.62-5.64), 7.50 (4.19-13.43), and 14.63 (8.32-25.72), respectively. Considering a time-lag for an RBCT to be considered an exposure before an outcome to limit reverse causation, RBCT was not associated with rejection; the HRs for DCGL attenuated but remained similar. RBCT was also associated with a negative control outcome, demonstrating possible unmeasured confounding. CONCLUSION: RBCT after kidney transplant is not associated with rejection, but may carry an increased risk for DCGL.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».