Access to kidney transplantation in Mexico, 2007–2019: a call to end disparities in transplant care
Notice bibliographique
Résumé
BACKGROUND: Access to kidney transplantation is limited to more than half of the Mexican population. A fragmented health system, gender, and sociocultural factors are barriers to transplant care. We analyzed kidney transplantation in Mexico and describe how public policies and sociocultural factors result in these inequities. METHODS: Kidney transplant data between 2007 to 2019 were obtained from the National Transplant Center database. Transplant rates and time spent on the waiting list, by age, gender, health system, and insurance status, were estimated. RESULTS: During the study period 34,931 transplants were performed. Recipients median age was 29 (IQR 22-42) years, 62.4% were males, and 73.9% were insured. 72.7% transplants were from living-donors. Annual transplant rates increased from 18.9 per million population (pmp) to 23.3 pmp. However, the transplant rate among the uninsured population remained low, at 9.3 transplants pmp. In 2019, 15,890 patients were in the waiting list; 60.6% were males and 88% were insured. Waiting time to transplant was 1.55 (IQR 0.56-3.14) years and it was shorter for patients listed in the Ministry of Health and private facilities, where wait lists are smaller, and for males. Deceased-organ donation rates increased modestly from 2.5 pmp to 3.9 pmp. CONCLUSIONS: In conclusion, access to kidney transplantation in Mexico is unequal and restricted to patients with medical insurance. An inefficient organ procurement program results in low rates of deceased-donor kidneys. The implementation of a comprehensive kidney care program, recognizing kidney transplantation as the therapy of choice for renal failure, offers an opportunity to correct these inequalities.
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) | 0,001 | 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 ».