Long-term Kidney Transplant Survival Across the Globe
Notice bibliographique
Résumé
BACKGROUND: The outcomes after kidney transplantation (KT), including access, wait time, and other issues around the globe, have been studied. However, issues do vary from one country to another. METHODS: We obtained data from several countries from North America, South America, Europe, Asia, and Australia, including the number of patients awaiting KT from 2015, transplant rate per million population (pmp), proportion of living donor and deceased donor (LD/DD) KT, and posttransplant survival. We also sought opinions on key difficulties faced by each of these countries with respect to KT and long-term survival. RESULTS: Variation in access to KT across the globe was noted. Countries with the highest rates of KT pmp included the United States (79%) and Spain (71%). A higher proportion of LD transplants was noted in Japan (93%), India (85%), Singapore (63%), and South Korea (63%). A higher proportion of DD KTs was noted in Spain (90%), Brazil (90%), France (85%), Italy (85%), Finland (85%), Australia-New Zealand (80%), and the United States (77%). The 5-y graft survival for LD was highest in South Korea (95%), Singapore (94%), Italy (93%), Finland (93%), and Japan (93%), whereas for DD, it was South Korea (93%), Italy (88%), Japan (86%), and Singapore (86%). The common issues surrounding KTs are access and a limited number of LDs and DDs. Key issues identified for long-term survival were increasing age of donors and recipients, higher recipient comorbidity, and posttransplant events, such as alloimmune injury to the kidney, infection, cancer, and suboptimal adherence to therapy. CONCLUSIONS: A unified approach is necessary to improve issues surrounding KT as the demand continues to increase.
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 ».