Pretransplant Use of the Chronic Kidney Disease Epidemiology Collaboration Equation (CKD-EPI) to Estimate Glomerular Filtration Rate Predicts Outcomes in Liver Transplant Recipients
Notice bibliographique
Résumé
OBJECTIVES: Kidney dysfunction is common in liver transplant candidates and is a well-established predictor of increased mortality after liver transplant. However, the best method for determination of the glomerular filtration rate before liver transplant remains unclear. MATERIALS AND METHODS: We analyzed the performance of the Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) equation and the Modification of Diet in Renal Disease (MDRD) Study equation, before liver transplant, compared with radionuclide glomerular filtration rate and examined the association of the 2 equations with a composite outcome of stage 4 chronic kidney disease, initiation of chronic dialysis, or patient death. RESULTS: We studied 426 consecutive adult liver transplant recipients from 1990 to 2014. The correlation coefficient of the radionuclide glomerular filtration rate with the Chronic Kidney Disease Epidemiology Collaboration equation was 0.61 and with the Modification of Diet in Renal Disease Study equation was 0.58. The Modification of Diet in Renal Disease Study equation showed a bias of -4.7 mL/min and precision of 32.9 mL/min, whereas the Chronic Kidney Disease Epidemiology Collaboration equation showed a bias of -11.1 mL/min but was more precise (28.1 mL/min). Only the Chronic Kidney Disease Epidemiology Collaboration equation remained significantly associated with the composite outcome in the multivariable analysis. CONCLUSIONS: The use of the Chronic Kidney Disease Epidemiology Collaboration equation in the period before liver transplant provided independent prognostic information regarding long-term outcomes after liver transplant.
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) | 0,000 | 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 ».