Development of posttransplant diabetes mellitus in US recipients of liver transplant is influenced by OPTN region
Notice bibliographique
Résumé
Posttransplant diabetes mellitus (PTDM) is associated with significant morbidity and mortality in liver transplant recipients (LTRs). We used the Organ Procurement and Transplantation Network (OPTN) database to compare the incidence of developing PTDM across the United States and develop a risk prediction model for new-onset PTDM using OPTN region as well as donor-related, recipient-related, and transplant-related factors. All US adult, primary, deceased donor, LTRs between January 1, 2007, and December 31, 2016, with no prior history of diabetes noted , were identified. Kaplan-Meier estimators were used to calculate the cumulative incidence of PTDM, stratified by OPTN region. Multivariable Cox proportional hazards models were fitted to estimate hazards of PTDM in each OPTN region and build a risk prediction model, through backward selection. Cumulative incidence of PTDM at 1 year, 3 years, and 5 years after transplant was 12.0%, 16.1%, and 18.9%, respectively. Region 3, followed by regions 8, 2, and 9, had the highest adjusted hazards of developing PTDM. Inclusion of OPTN region in a risk prediction model for PTDM in LTRs (including recipient age, sex, race, education, insurance coverage, body mass index, primary liver disease, cold ischemia time, and donor history of diabetes) modestly improved performance (C-statistic = 0.60). In patients without pre-existing, confirmed diabetes mellitus, the incidence of PTDM in LTRs varied across OPTN regions, with the highest hazards in region 3, followed by regions 8, 2, and 9. The performance of a novel risk prediction model for PTDM in LTRs has improved performance with the inclusion of the OPTN region. Vigilance is recommended to centers in high-risk regions to identify PTDM and mitigate its development.
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 ».