Managing cardiovascular disease risk in South Asian kidney transplant recipients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
South Asians (SA) are at higher cardiovascular risk than other ethnic groups, and SA kidney transplant recipients (SA KTR) are no exception. SA KTR experience increased major adverse cardiovascular events both early and late post-transplantation. Cardiovascular risk management should therefore begin well before transplantation. SA candidates may require aggressive screening for pre-transplant cardiovascular disease (CVD) due to their ethnicity and comorbidities. Recording SA ethnicity during the pre-transplant evaluation may enable programs to better assess cardiovascular risk, thus allowing for earlier targeted peri- and post-transplant intervention to improve cardiovascular outcomes. Diabetes remains the most prominent post-transplant cardiovascular risk factor in SA KTR. Diabetes also clusters with other metabolic syndrome components including lower high-density lipoprotein cholesterol, higher triglycerides, hypertension, and central obesity in this population. Dyslipidemia, metabolic syndrome, and obesity are all significant CVD risk factors in SA KTR, and contribute to increased insulin resistance. Novel biomarkers such as adiponectin, apolipoprotein B, and lipoprotein (a) may be especially important to study in SA KTR. Focused interventions to improve health behaviors involving diet and exercise may especially benefit SA KTR. However, there are few interventional clinical trials specific to the SA population, and none are specific to SA KTR. In all cases, understanding the nuances of managing SA KTR as a distinct post-transplant group, while still screening for and managing each CVD risk factor individually in all patients may help improve the long-term success of all kidney transplant programs catering to multi-ethnic populations.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découle