Which recipient pretransplant factors, such as MELD, renal function, sarcopenia, and recent sepsis influence suitability for and outcome after living donor liver transplantation? A systematic review of the literature and expert panel recommendations
Notice bibliographique
Résumé
BACKGROUND: Varied access to deceased donors across the globe has resulted in differential living donor liver transplant (LDLT) practices and lack of consensus over the influence of models for end stage liver disease (MELD), renal function, sarcopenia, or recent infection on short-term outcomes. OBJECTIVES: Consider these risk factors in relation to patient selection and provide recommendations. DATA SOURCES: Ovid MEDLINE, Embase, Scopus, Google Scholar, Cochrane Central. METHODS: PRIMSA systematic review and GRADE. PROSPERO ID: RD42021260809 RESULTS: MELD >25-30 alone is not a contraindication to LDLT, and multiple studies found no increase in short term mortality in high MELD patients. Contributing factors such as muscle mass, acute physiologic assessment and chronic health evaluation score, donor age, graft weight/recipient weight ratio, and inclusion of the middle hepatic vein in a right lobe graft influence morbidity and mortality in high MELD patients. Higher mortality is observed with pretransplant renal dysfunction, but short-term mortality is rare. Sarcopenia and recent infection are not contraindications to LDLT. Morbidity and prolonged LOS are common, and more frequent in patients with renal dysfunction, nutritional deficiency or recent infection. CONCLUSIONS: When individual risk factors are studied mortality is low and graft loss is infrequent, but morbidity is common. MELD, especially with concomitant risk factors, had the greatest influence on short term outcome, and recent infection had the least. A multidisciplinary team of experts should carefully assess patients with multiple risk factors, and an optimal graft is recommended.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».