Combined Donor-Recipient Obesity and the Risk of Graft Loss After Kidney Transplantation
Notice bibliographique
Résumé
Background: As the prevalence of obesity increases globally, appreciating the effect of donor and recipient (DR) obesity on graft outcomes is of increasing importance. Methods: In a cohort of adult, kidney transplant recipients (2000–2017) identified using the SRTR, we used Cox proportional hazards models to examine the association between DR obesity pairing (body mass index (BMI) >30 kg/m 2 ), and death-censored graft loss (DCGL) or all-cause graft loss, and logistic regression to examine risk of delayed graft function (DGF) and ≤30 days graft loss. We also explored the association of DR weight mismatch (>30 kg, 10-30 kg (D>R; D<R) and <10 kg (D = R)) with each outcome, stratifying by DR obesity pairing. Results: Relative to non-obese DR, obese DR were highest risk for all outcomes (DCGL: HR 1.26, 95% CI 1.22–1.32; all-cause graft loss: HR 1.09, 95% CI 1.06–1.12; DGF: OR 1.98, 95% CI 1.89–2.08; early graft loss: OR 1.34, 95% CI 1.19–1.51). Donor obesity modified the risk of recipient obesity and DCGL [ p = 0.001] and all-cause graft loss [ p < 0.001] but not DGF or early graft loss. The known association of DR weight mismatch with DCGL was attenuated when either the donor or recipient was obese. Conclusion: DR obesity status impacts early and late post-transplant outcomes.
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) | 0,001 | 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 ».