Les temps forts de la transplantation rénale en 2023
Notice bibliographique
Résumé
In 2023, significant advances were made in various areas of kidney transplantation. Firstly, the use of a balanced crystalloid solution in the recipient appears to prevent the delay in graft function, unlike hypothermia in the donor and normothermic pulsatile perfusion. Understanding the pathophysiology of humoral rejection has progressed, highlighting the major role of HLA class II molecules and innate immune cells (NK and monocytes expressing FCGR3A). An automatic Banff classification algorithm has been developed to better categorize biopsies in currently known diagnoses. CXCL10, combined with other variables, seems effective in ruling out rejection, but its role in routine care is yet to be defined. Regarding cytomegalovirus (CMV), letermovir has been proven effective in preventing CMV disease in D+R- patients, with fewer hematological side effects. For R+ patients, monitoring CMV-specific T-cell immunity is suggested to reduce the duration of antiviral prophylaxis. The only innovation in immunosuppression is imlifidase for highly sensitized patients, guided by French recommendations. A new equation for glomerular filtration rate measurement has been developed for kidney transplant recipients, performing well across various analyzed stratifications. Finally, xenotransplantation is making a comeback this year, generating hope. However, the description of early humoral rejections involving innate immune cells indicates that adjustments are still needed before considering its widespread deployment.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».