Predictors and Complications of Post Kidney Transplant Leukopenia
Notice bibliographique
Résumé
BACKGROUND: Leukopenia occurs frequently following kidney transplantation and is associated with adverse clinical outcomes including increased infectious risk. In this study we sought to characterize the causes and complications of leukopenia following kidney transplantation. METHODS: ). Factors associated with post-transplant leukopenia were then included in a multivariable backwards stepwise selection process to create a prediction model for the outcome of interest. Cox regression analyses were subsequently used to determine if post-transplant leukopenia was associated with complications. RESULTS: Of 388 recipients, 152 (39%) developed posttransplant leukopenia. Factors associated with leukopenia included antithymocyte globulin as induction therapy (HR 3.32, 95% CI 2.25-4.91), valganciclovir (HR 1.84, 95% CI 1.25-2.70), tacrolimus (HR 3.05, 95% CI 1.08-8.55), prior blood transfusion (HR 1.17 per unit, 95% CI 1.09- 1.25), and donor age (HR 1.02 per year, 95% CI 1.00-1.03). Cytomegalovirus infection occurred in 26 patients with leukopenia (17.1%). Other than cytomegalovirus, leukopenia was not associated with posttransplant complications. CONCLUSION: Leukopenia commonly occurred posttransplant and was associated with modifiable and non-modifiable pretransplant factors.
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 ».