Cumulative Deficits Frailty Index Predicts Outcomes for Solid Organ Transplant Candidates
Notice bibliographique
Résumé
Background. Despite comprehensive multidisciplinary candidacy assessments to determine appropriateness for solid organ transplantation, limitations persist in identifying candidates at risk of adverse outcomes. Frailty measures may help inform candidacy evaluation. Our main objective was to create a solid organ transplant frailty index (FI), using the cumulative deficits model, from data routinely collected during candidacy assessments. Secondary objectives included creating a social vulnerability index (SVI) from assessment data and evaluating associations between the FI and assessment, waitlist, and posttransplant outcomes. Methods. In this retrospective cohort study of solid organ transplant candidates from Toronto General Hospital, cumulative deficits FI and SVI were created from data collected during candidacy evaluations for consecutive kidney, heart, liver, and lung transplant candidates. Regression modeling measured associations between the FI and transplant listing, death or removal from the transplant waitlist, and survival after waitlist placement. Results. For 794 patients, 40 variable FI and 10 variable SVI were created (258 lung, 222 kidney, 201 liver, and 113 heart transplant candidates). The FI correlated with assessment outcomes; patients with medical contraindications (mean FI 0.35 ± 0.10) had higher FI scores than those listed (0.29 ± 0.09), P < 0.001. For listed patients, adjusted for age, sex, transplant type, and SVI, higher FI was associated with an increased risk of death (pretransplant or posttransplant) or delisting (hazard ratio 1.03 per 0.01 FI score, 95% confidence interval, 1.01-1.05, P = 0.01). Conclusions. A cumulative deficits FI can be derived from routine organ transplant candidacy evaluations and may identify candidates at higher risk of adverse outcomes.
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 ».