Cannabis use is associated with reduced access to kidney transplantation and an increased risk of acute rejection post‐transplant
Notice bibliographique
Résumé
BACKGROUND: The association between cannabis use and access to waitlisting, transplantation, and post-transplant outcomes remains uncertain. METHODS: Patients referred for kidney transplant (KT) to the University Health Network from January 1, 2003, to June 30, 2020, and followed until December 31, 2020, were included. Predictors of reported cannabis use were examined using a logistic regression model. The association between cannabis use and time to clearance for KT, undergoing KT, and post-transplant outcomes was evaluated using Cox proportional hazards models. RESULTS: Among 3734 patients, the prevalence of reported cannabis use was 11.8%. Cannabis use was associated with a lower likelihood of KT clearance (adjusted hazard ratio [aHR] .82 [95% confidence interval (CI): .72, .94]). Once cleared for KT, cannabis use did not predict the subsequent receipt of KT (aHR .92, [95% CI: .79, 1.08]). Among 2091 KT recipients, cannabis use was associated with a higher likelihood of biopsy-proven acute rejection (aHR 1.55, [95% CI: 1.06, 2.27]). The relative hazard of death-censored graft failure was similarly elevated (aHR 1.60 [95% CI: .95, 2.72]). Cannabis use did not predict total graft failure (aHR 1.33 [95% CI: .90, 1.96]), death with graft function (aHR 1.06 [95% CI: .59, 1.89]), or hospital readmission in the first-year post-transplant (aHR 1.26 [95% CI: .95, 1.68]). CONCLUSIONS: Cannabis users have less access to transplantation and an increased risk of acute rejection, possibly leading to more graft loss. Further studies are warranted to understand possible mechanisms for the increased risk of allograft immune injury among cannabis users.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».