Lymphoceles: impact on kidney transplant recipients, graft, and healthcare system.
Notice bibliographique
Résumé
INTRODUCTION: Following kidney transplantation, lymphoceles can impact patient and graft outcomes, while resulting in significant hospital resource utilization. We aimed to characterize the incidence, risk factors, outcomes, and clinical management of lymphoceles among kidney transplant recipients and review impact on health system utilization at a high-volume center. MATERIALS AND METHODS: We conducted a single-center, observational cohort study on adults transplanted between January 1, 2005 and December 31, 2017. Incidence, risk factors, and clinical outcomes were assessed using the Kaplan-Meier product-limit method, multivariable logistic regression model, and Cox proportional hazards model, respectively. RESULTS: Lymphoceles developed in 72 of 1881 patients (3.8%). Multivariate analysis demonstrated that a longer time on dialysis before transplant [HR 1.09 (95% CI: 1.02, 1.17)], laparoscopic donor nephrectomy [HR 2.31 (95% CI: 1.04, 5.12)], and depleting induction therapy [HR 0.39 (95% CI: 0.18, 0.87)] were significant risk factors for lymphocele development. Lymphoceles independently increased the likelihood of hospital readmission [HR 3.96 (95% CI: 2.99, 5.25)] but had no significant effect on the likelihood of graft failure or death with graft function. Of 72 cases, 44 received a radiological or surgical intervention. Fifteen of 44 lymphoceles required further intervention due to re-accumulation or complications. CONCLUSION: Patients with longer dialysis times, kidneys from laparoscopic donor nephrectomy, and depleting induction therapy were associated with an increased risk for developing symptomatic lymphoceles. Our center's treatment for symptomatic lymphoceles did not result in significant graft dysfunction, but significantly higher healthcare resource utilization was noted.
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 ».