Novel Benchmark Values for Redo Liver Transplantation
Notice bibliographique
Résumé
OBJECTIVE: To define benchmark cutoffs for redo liver transplantation (redo-LT). BACKGROUND: In the era of organ shortage, redo-LT is frequently discussed in terms of expected poor outcome and wasteful resources. However, there is a lack of benchmark data to reliably evaluate outcomes after redo-LT. METHODS: We collected data on redo-LT between January 2010 and December 2018 from 22 high-volume transplant centers. Benchmark cases were defined as recipients with model of end stage liver disease (MELD) score ≤25, absence of portal vein thrombosis, no mechanical ventilation at the time of surgery, receiving a graft from a donor after brain death. Also, high-urgent priority and early redo-LT including those for primary nonfunction (PNF) or hepatic artery thrombosis were excluded. Benchmark cutoffs were derived from the 75th percentile of the medians of all benchmark centers. RESULTS: Of 1110 redo-LT, 373 (34%) cases qualified as benchmark cases. Among these cases, the rate of postoperative complications until discharge was 76%, and increased up to 87% at 1-year, respectively. One-year overall survival rate was excellent with 90%. Benchmark cutoffs included Comprehensive Complication Index CCI ® at 1-year of ≤72, and in-hospital and 1-year mortality rates of ≤13% and ≤15%, respectively. In contrast, patients who received a redo-LT for PNF showed worse outcomes with some values dramatically outside the redo-LT benchmarks. CONCLUSION: This study shows that redo-LT achieves good outcome when looking at benchmark scenarios. However, this figure changes in high-risk redo-LT, as for example in PNF. This analysis objectifies for the first-time results and efforts for redo-LT and can serve as a basis for discussion about the use of scarce resources.
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 ».