Kidney allograft infarction associated with transplant renal artery stenosis in a COVID-19 kidney transplant recipient
Notice bibliographique
Résumé
Kidney allograft infarction is rare, but an urgent condition that requires prompt intervention to avoid allograft loss. Renal artery thrombosis is the leading cause of infarction. Apart from traditional risk factors for thrombosis, emerging SARS-CoV-2 predisposes patients to thrombotic diseases both in arterial and venous vasculatures. We report a case of kidney transplant recipient with known transplant renal artery stenosis (TRAS) status post angioplasty with severe COVID-19, complicated by oliguric acute kidney injury requiring continuous renal replacement therapy (CRRT). She did not have a history of thromboembolic disease. The hospital course was complicated by new-onset atrial and ventricular fibrillation and cardiac arrest requiring multiple rounds of cardiopulmonary resuscitation. She had no signs of renal recovery, and an abdominal CT scan showed evidence of allograft infarcts. She underwent an allograft nephrectomy. Pathology revealed diffuse thrombotic microangiopathy involving glomeruli, arterioles, and arteries associated with diffuse cortical infarction with negative SARS-CoV-2 immunostain and in situ hybridization. This is the first case of kidney allograft infarct with a history of TRAS in a COVID-19 patient. Underlying TRAS and COVID-19-associated thrombosis in this patient are unique and likely play a key role in allograft infarction from arterial thrombosis. Recognizing risk factors and early therapy for allograft infarction may improve transplant outcomes.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».