Split Renal Function Is Fundamentally Important for Predicting Functional Recovery After Radical Nephrectomy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
While partial nephrectomy (PN) is generally preferred for localized renal cell carcinoma (RCC), radical nephrectomy (RN) is occasionally required. A new-baseline glomerular filtration rate (NBGFR) >45 ml/min/1.73 m2 after kidney cancer surgery is associated with strong survival outcomes. If NBGFR after RN will be above this threshold and the tumor has increased oncologic potential, RN may be a relevant consideration. Predicting NBGFR, defined as the GFR at 3–12 mo after RN, has been challenging owing to omission of two important parameters: split renal function (SRF) and renal function compensation (RFC). Our objective was to evaluate a simple SRF-based model in comparison to five published non–SRF-based models using data from a retrospective cohort of 445 RN patients. SRF was obtained via readily available semiautomated software (FUJIFILM Medical Systems) that provides differential parenchymal volume analysis on the basis of preoperative imaging. Our conceptually simple and clinically implementable SRF-based model more accurately predicts NBGFR after RN than five published non–SRF-based models (all p < 0.01). The SRF-based model also improved prediction of the clinically relevant threshold of NBGFR >45 ml/min/1.73 m2 (all p < 0.05). We validated a novel approach for more accurate prediction of kidney function after removal of one kidney. Our approach can be used in clinical and practice and will help in making decisions on full or partial removal of a kidney for kidney cancer.
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.
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 | 0,003 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle