Can We Predict Kidney Graft Function and Graft Survival Using Hypothermic Machine Perfusion Parameters From Donors After Circulatory Death?
Notice bibliographique
Résumé
Background: Hypothermic machine perfusion (HMP) reduces renal injury in donation after circulatory death donors with a high Kidney Donor Profile Index (KDPI). This study aims to characterize the correlation between KDPI, HMP parameters, and donor vitals during the withdrawal period in predicting short- and long-term graft outcomes. Methods: ANOVA with Tukey's honestly significant difference tests compared the relationship between average flow, average resistance, peak resistance, flow slope, and resistance slope on day 30, 1-y, and 3-y eGFR, and days of delayed graft function. Graft and recipient survival rates were assessed using Kaplan-Meier analysis. Results: The data for 72 grafts were suitable for analysis. Kidneys with KDPI >50% had a significantly higher day 30, and 1-y posttransplant eGFR, if HMP average flow was >150 mL/min, or the average resistance was <0.15 mm Hg/mL/min, compared with kidneys with also KDPI >50% but had not achieved the same pump parameters. There were no significant differences in the Kaplan-Meier analysis, considering recipient or graft survival, regardless of the KPDI score with 3- or 5-y outcomes. Conclusions: Use of average resistance and average flow from a HMP, in conjunction with KDPI, may be predictive of the short- and long-term function of donation after circulatory death kidney transplants.
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 ».