Incidence, risk factors, outcomes, and clinical management of BK viremia in the modern era of kidney transplantation
Notice bibliographique
Résumé
Abstract BK viremia is endemic among kidney transplant recipients (KTRs). Incidence, risk factors, outcomes, and clinical management of detectable versus high BK viremia have not been considered previously in KTR in the modern era. This observational study examined KTR transplanted between January 1, 2009 and December 31, 2016. Any BK viral load in the serum constituted detectable BK viremia and ≥10 3 copies/ml constituted high viremia. Among 1193 KTRs, the cumulative probability of developing detectable and high BK viremia within 2 years posttransplant were 27.8% and 19.6%, respectively. Significant risk factors for detectable BK viremia included recipient age (HR 1.02 [95% CI: 1.01, 1.03]) and donor age (HR 1.01 [95% CI: 1.00, 1.02]). Recipient age also predicted high BK viremia (HR 1.02 [95% CI: 1.01, 1.03]), whereas White race (HR 0.70 [95% CI: 0.52, 0.95]), nondepleting induction therapy (HR 0.61 [95% CI: 0.42, 0.89]), and delayed graft function (HR 0.61 [95% CI: 0.42, 0.88]) were protective. Mean estimated glomerular filtration rates were 4.28 ml/min/1.72 m 2 (95% CI: 2.71, 5.84) lower with detectable BK viremia. Although low viral load was usually not acted upon at first presentation, antiproliferative dose reductions were the most common initial management. BK viremia remains a common early complication in a modern cohort of KTRs. These findings highlight the benefit of early BKV monitoring in addition to intensive clinical management. Clinical responses beyond first positive BK viremia tests, and their implications for graft outcomes, merit further investigation. image
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 ».