Age-dependent Sex Differences in Graft Loss After Kidney Transplantation
Notice bibliographique
Résumé
BACKGROUND: Sex differences in kidney graft loss rates were reported in the United States. Whether these differences are present in other countries is unknown. METHODS: We estimated the association between recipient sex and death-censored graft loss in patients of all ages recorded in the Scientific Registry of Transplant Recipients, Australia and New Zealand Dialysis and Transplant Registry, and Collaborative Transplant Study registries who received a first deceased donor kidney transplant (1988-2019). We used multivariable Cox regression models, accounting for the modifying effects of donor sex and recipient age, in each registry separately; results were combined using individual patient data meta-analysis. RESULTS: We analyzed 438 585 patients. Young female patients 13-24 y old had the highest crude graft loss rates (female donor: 5.66; male donor: 5.50 per 100 person-years). Among young recipients of male donors, females showed higher graft loss risks than males (0-12 y: adjusted hazard ratio [aHR] 1.42, (95% confidence interval [CI], 1.17-1.73); 13-24 y: 1.24 (1.17-1.32); 25-44 y: 1.09 (1.06-1.13)). When the donor was female, there were no significant differences by recipient sex among those of age <45 y; however, the aHR for females was 0.93 (0.89-0.98) in 45-59 y-old and 0.89 (0.86-0.93) in ≥ 60 y-old recipients. Findings were similar for all 3 registries in most age intervals; statistically significant heterogeneity was seen only among 13-24-y-old recipients of a female donor (I2 = 71.5%, P = 0.03). CONCLUSIONS: There is an association between recipient sex and kidney transplantation survival that is modified by recipient age and donor sex.
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 ».