Mortality Trends After Transfer From Peritoneal Dialysis to Hemodialysis
Notice bibliographique
Résumé
Introduction: Transition to hemodialysis (HD) is a common outcome in peritoneal dialysis (PD), but the associated mortality risk is poorly understood. This study sought to identify rates of and risk factors for mortality after transitioning from PD to HD. Methods: Patients with incident PD (between 2000 and 2014) who transferred to HD for ≥1 day were identified, using data from Australia and New Zealand Dialysis and Transplantation registry (ANZDATA), Canadian Organ Replacement Register (CORR), Europe Renal Association (ERA) Registry, and the United States Renal Dialysis System (USRDS). Crude mortality rates were calculated for the first 180 days after transfer. Separate multivariable Cox models were built for early (<90 days), medium (90-180 days), and late (>180 days) periods after transfer. Results: Overall, 6683, 5847, 21,574, and 80,459 patients were included from ANZDATA, CORR, ERA Registry, and USRDS, respectively. In all registries, crude mortality rate was highest during the first 30 days after a transfer to HD declining thereafter to nadir at 4 to 6 months. Crude mortality rates were lower for patients transferring in the most recent years (than earlier). Older age, PD initiation in earlier cohorts, and longer PD vintage were associated with increased risk of death, with the strongest associations during the first 90 days after transfer and attenuating thereafter. Mortality risk was lower for men than women <90 days after transfer, but higher after 180 days. Conclusion: In this multinational study, mortality was highest in the first month after a transfer from PD to HD and risk factors varied by time period after transfer. This study highlights the vulnerability of patients at the time of modality transfer and the need to improve transitions.
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 | 0,001 |
| 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) | 0,032 | 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 ».