Antibody-mediated rejection: prevention, monitoring and treatment dilemmas
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Antibody-mediated rejection (AMR) has emerged as the leading cause of late graft loss in kidney transplant recipients. Donor-specific antibodies are an independent risk factor for AMR and graft loss. However, not all donor-specific antibodies are pathogenic. AMR treatment is heterogeneous due to the lack of robust trials to support clinical decisions. This review provides an overview and comments on practical but relevant dilemmas physicians experience in managing kidney transplant recipients with AMR. RECENT FINDINGS: Active AMR with donor-specific antibodies may be treated with plasmapheresis, intravenous immunoglobulin and corticosteroids with additional therapies considered on a case-by-case basis. On the contrary, no treatment has been shown to be effective against chronic active AMR. Various biomarkers and prediction models to assess the individual risk of graft failure and response to rejection treatment show promise. SUMMARY: The ability to personalize management for a given kidney transplant recipient and identify treatments that will improve their long-term outcome remains a critical unmet need. Earlier identification of AMR with noninvasive biomarkers and prediction models to assess the individual risk of graft failure should be considered. Enrolling patients with AMR in clinical trials to assess novel therapeutic agents is highly encouraged.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».