Trajectories of patients relisted for liver transplantation
Notice bibliographique
Résumé
INTRODUCTION AND OBJECTIVES: Recurrent cirrhosis complicates 10-30% of Liver transplants (LT) and can lead to consideration for re-transplantation. We evaluated the trajectories of relisted versus primary listed patients on the waitlist using a competing risk framework. MATERIALS AND METHODS: We retrospectively examined 1,912 patients listed for LT at our centre between from 2012 to 2020. Cox proportional hazard models were used to assess overall survival (OS) by listing type and competing risk analysis Fine-Gray models were used to assess cumulative incidence of transplant by listing type. RESULTS: 1,731 patients were included (104 relisted). 44.2% of relisted patients received exception points vs. 19.8% of primary listed patients (p<0.001). Patients relisted without exceptions, representing those with graft cirrhosis, had the worst OS (HR: 4.17, 95%CI 2.63 - 6.67, p=<0.0001) and lowest instantaneous rate of transplant (HR: 0.56, 95%CI 0.38 - 0.83, p=0.006) than primary listed with exception points. On multivariate analysis listing type, height, bilirubin and INR were associated with cumulative incidence of transplant, while listing type, bilirubin, INR, sodium, creatinine were associated with OS. Within relisted patients, there was a trend towards higher mortality (HR: 1.79, 95%CI 0.91 - 3.52, p=0.08) and low transplant incidence (HR: 0.51, 95%CI 0.22 - 1.15, p=0.07) for graft cirrhosis vs other relisting indications. CONCLUSIONS: Patients relisted for LT are carefully curated and comprise a minority of the waitlist population. Despite their younger age, they have worse liver/kidney function, poor waitlist survival, and decreased transplant incidence suggesting the need for early relisting, while considering standardized exception points.
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 ».