Predictors of early and long-term readmissions and their association with survival after liver transplantation
Notice bibliographique
Résumé
Background: The impact of post liver transplantation (LT) readmissions on mortality has not been well described. Thus, the primary objective of our study was to determine predictors of readmissions post-LT and assess impact on survival. Methods: Single center retrospective observational study investigating adult patients who underwent LT between January 1, 2010 – December 31, 2019 at Toronto General Hospital (TGH). Time-dependent cox regression model was used to investigate risk factors for 30-day, 30–90-day, and >90-day readmissions to hospital. The effect of readmission on survival was assessed with the Kaplan–Meier estimator. Results: 987 patients fulfilled inclusion criteria. Significant predictors of 30-day readmissions were BMI > 30 kg/m2 (HR=0.64; CI 0.42–0.98; p-value 0.04) and autoimmune/cholestatic liver disease (HR=1.86; CI 1.01–3.42; p = 0.046) at 30-days. Post-LT length of stay (HR=1.05; CI 1.02–1.08; p<0.001) at 30–90 days. Meanwhile, living donor LT (HR=1.41; CI 1.06–1.89; p = 0.02) and distance from LT center (HR=1.05; CI 1.01–1.09; p = 0.011) after 90 days. Infection was the main reason for readmission across three time periods. An inpatient readmission across any time period was found to be significantly associated with mortality (HR=2.4; 1.6–3.6; p<0.0001). Conclusion: Hospital readmissions post-LT are associated with increased mortality. Although infection is a common risk factor for readmission other modifiable risk factors may be an area for target of interventions to reduce post-LT readmission.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».