Metabolic Complications in Liver Transplantation Recipients: How We Can Optimize Long‐Term Survival
Notice bibliographique
Résumé
Liver transplantation (LT) recipients have experienced a significant improvement in short-term survival during the past 3 decades attributed to advancements in surgical techniques, perioperative management, and effective immunosuppressive regimens. However, long-term survival is affected by a high incidence of metabolic disorders and their consequences, including cardiovascular disease (CVD) and malignancies. Pretransplant metabolic impairments especially in those with nonalcoholic steatohepatitis cirrhosis are aggravated by the addition of posttransplant weight gain, physical inactivity, and reversal from catabolic to anabolic state. Moreover, although immunosuppressants are vital to avoid graft rejection, long-term exposure to these medications is implicated in metabolic impairments after LT. In this review, we summarize the molecular pathogenesis of different metabolic disorders after LT, including diabetes mellitus, dyslipidemia, and nonalcoholic fatty liver disease. Furthermore, CVD, malignancies, and graft rejections were provided as significant complications of post-LT metabolic conditions threatening both the patient and graft survival. Ultimately, emerging preventive and treatment strategies for posttransplant diabetes mellitus are summarized. This review highlights the significant need for more clinical trials of antihyperglycemic agents in LT recipients. Also, translational studies will help us to better understand the molecular and genetic factors underlying these metabolic complications and could lead to more personalized management in this high-risk population.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».