Cancer Diagnoses After Living Kidney Donation
Notice bibliographique
Résumé
Background Mortality records identify cancer as the leading cause of death among living kidney donors, but information on the burden of cancer outside death records is limited in this population. Methods We examined a database wherein U.S. Organ Procurement and Transplantation Network identifiers for 4,650 living kidney donors in 1987 to 2007 were linked to administrative data of a U.S. private health insurer (2000–2007 claims) to identify postdonation cancer diagnoses. Skin cancer and non–skin cancer diagnoses were ascertained from International Classification of Diseases, Ninth Revision, Clinical Modification diagnosis codes on billing claims. Donors were also matched one-to-one with general insurance beneficiaries by sex and age when benefits began. Diagnosis rates within observation windows were compared as rate ratios. Results The median time from donation to the end of plan insurance enrollment was 7.7 years, with a median observation period of 2.1 years. Skin cancer rates were similar among prior living donors in the observation period and nondonor controls (rate ratio, 0.91; 95% confidence interval [CI], 0.59–1.40). In contrast, the rate of total non–skin cancers was significantly less common among donors than among controls (rate ratio, 0.74; 95% CI, 0.55–0.99), although reduced relative risk was limited to donors captured earlier in relation to donation. Several cases of cancer diagnosis (uterine, melanoma, “other”) were identified within the first year after donation. Prostate cancer diagnosis was significantly more common among living donors compared with controls (rate ratio, 3.80; 95% CI, 1.42–10.2). Conclusions Continued study of cancer after kidney donation is warranted to ensure that evaluation, selection, and long-term follow-up support overall good health of the donor.
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) | 0,002 | 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 ».