The impact of measuring split kidney function on post-donation kidney function: A retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Studies have reported agreement between computed tomography (CT) and renography for the determination of split kidney function. However, their correlation with post-donation kidney function remains unclear. We compared CT measurements with renography in assessment of split kidney function (SKF) and their correlations with post-donation kidney function. METHODS: A single-centre, retrospective cohort study of 248 donors from January 1, 2009-July 31, 2019 were assessed. Pearson correlations were used to assess post-donation kidney function with renography and CT-based measurements. Furthermore, we examined high risk groups with SKF difference greater than 10% on renography and donors with post-donation eGFR less than 60 mL/min/1.73m2. RESULTS: 62% of donors were women with a mean (standard deviation) pre-donation eGFR 99 (20) and post-donation eGFR 67 (22) mL/min/1.73m2 at 31 months of follow-up. Post-donation kidney function was poorly correlated with both CT-based measurements and renography, including the subgroup of donors with post-donation eGFR less than 60 mL/min/1.73m2 (r less than 0.4 for all). There was agreement between CT-based measurements and renography for SKF determination (Bland-Altman agreement [bias, 95% limits of agreement] for renography vs: CT volume, 0.76%, -7.60-9.15%; modified ellipsoid,1.01%, -8.38-10.42%; CC dimension, 0.44%, -7.06-7.94); however, CT missed SKF greater than 10% found by renography in 20 out 26 (77%) of donors. CONCLUSIONS: In a single centre study of 248 living donors, we found no correlation between CT or renography and post-donation eGFR. Further research is needed to determine optimal ways to predict remaining kidney function after donation.
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 | 0,001 | 0,002 |
| 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 ».