MétaCan
Menu
Retour à la cohorte
Enregistrement W3173903288 · doi:10.1097/sla.0000000000004994

Liver Transplantation in the Time of a Pandemic

2021· article· en· W3173903288 sur OpenAlexaff
Malcolm MacConmara, Benjamin Wang, Madhukar S. Patel, Christine Hwang, Lucia DeGregorio, Jigesh A. Shah, Steven I. Hanish, Dev M. Desai, Raymond Lynch, Bekir Tanrıöver, Herbert J. Zeh, Parsia A. Vagefi

Notice bibliographique

RevueAnnals of Surgery · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueLiver Disease and Transplantation
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicinePandemicLiver transplantationTransplantationLogistic regressionDemographyOdds ratioDemographicsInternal medicineCoronavirus disease 2019 (COVID-19)DiseaseInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: During the initial wave of the COVID-19 pandemic, organ transplantation was classified a CMS Tier 3b procedure which should not be postponed. The differential impact of the pandemic on access to liver transplantation was assessed. SUMMARY BACKGROUND DATA: Disparities in organ access and transplant outcomes among vulnerable populations have served as obstacles in liver transplantation. METHODS: Using UNOS STARfile data, adult waitlisted candidates were identified from March 1, 2020 to November 30, 2020 (n = 21,702 pandemic) and March 1, 2019 to November 30, 2019 (n = 22,797 pre-pandemic), and further categorized and analyzed by time periods: March to May (Period 1), June to August (Period 2), and September to November (Period 3). Comparisons between pandemic and pre-pandemic groups included: Minority status, demographics, diagnosis, MELD, insurance type, and transplant center characteristics. Liver transplant centers (n = 113) were divided into tertiles by volume (small, medium, large) for further analyses. Multivariable logistic regression was fitted to assess odds of transplant. Competing risk regression was used to predict probability of removal from the waitlist due to transplantation or death and sickness. Additional temporal analyses were performed to assess changes in outcomes over the course of the pandemic. RESULTS: During Period 1 of the pandemic, Minorities showed greater reduction in both listing (-14% vs -12% Whites), and transplant (-15% vs -7% Whites), despite a higher median MELD at transplant (23 vs 20 Whites, P < 0.001). Of candidates with public insurance, Minorities demonstrated an 18.5% decrease in transplants during Period 1 (vs -8% Whites). Although large programs increased transplants during Period 1, accounting for 61.5% of liver transplants versus 53.4% pre-pandemic (P < 0.001), Minorities constituted significantly fewer transplants at these programs during this time period (27.7% pandemic vs 31.7% pre-pandemic, P = 0.04). Although improvements in disparities in candidate listings, removals, and transplants were observed during Periods 2 and 3, the adjusted odds ratio of transplant for Minorities was 0.89 (95% CI 0.83-0.96, P = 0.001) over the entire pandemic period. CONCLUSIONS: COVID-19's effect on access to liver transplantation has been ubiquitous. However, Minorities, especially those with public insurance, have been disproportionately affected. Importantly, despite the uncertainty and challenges, our systems have remarkable resiliency, as demonstrated by the temporal improvements observed during Periods 2 and 3. As the pandemic persists, and the aftermath ensues, health care systems must consciously strive to identify and equitably serve vulnerable 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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,155
Tête enseignante GPT0,328
Écart entre enseignants0,173 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of SurgeryMême sujetLiver Disease and TransplantationTravaux en français237 207