Temporal Variations in Mortality after Liver Transplantation: Retrospective Investigation of Potential Risk Factors Using Propensity Score
Notice bibliographique
Résumé
Objective: We aim to detect over-time variations in mortality of liver transplant recipients stratified by the period of transplant. Since this is a retrospective investigation, bias reduction caused by possible confounding effects can be achieved by using propensity score weighting in a multivariate logistic regression model. Methods: Medical charts of all adult liver transplant recipients (n = 250) who were transplanted in three periods 2005-2009, 2010-2014 and 2015-2019 were retrospectively reviewed. The following recipient factors were analyzed: recipients and donors’ ages, sex, renal impairment, body mass index (BMI), presence of bacterial or viral infections, MELD (Model for end-stage diseases). Multivariate logistic model adjusted by Propensity Scores (PS) was used to identify the effect of the risk factors on mortality, and death within five years, in the targeted time frame. Patient outcomes are recorded as; (patient status = 1 if dead, or patient status = 0 if alive). Results: Meld score, recipient age, and renal impairments were shown to be predictors of mortality in transplanted patients. Multivariate regression model was used to identify the significance of the specified risk factors, followed by pairwise comparisons between periods. Pairwise comparisons between periods using logistic regression weighted by the inverse propensity score, correcting for the possible confounding effect of measured covariates showed that the death rate is significantly reduced in subsequent periods as compared to the initial period. Conclusions: The clinical implications of these findings are the ability to stratify patients at high risk of posttransplant death by planning more intensive and accurate management for them.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».