Graft Loss in Pediatric and Young Adult Kidney Transplantation in New Zealand: Who Is at Greatest Risk and When?
Notice bibliographique
Résumé
BACKGROUND: Much is reported regarding the detrimental effect of transfer to adult services for adolescent and young adult (AYA) kidney transplant (KT) recipients. However, AYA recipient age independent of time post-KT, and not relating to transfer of care, is also a strong predictor of graft loss. We assessed KT graft survival if experiencing solely pediatric (PO) or adult services (AO) versus transfer from pediatric to adult services (PTA). METHODS: A retrospective cohort analysis of all first kidney transplant recipients between birth-24 years of age, from 2000 to 2019 in New Zealand. Participant identification and data were obtained via the Australia and New Zealand Dialysis and Transplantation registry. Primary outcome was graft survival stratified by service type. Cox proportional hazard modeling assessed independent risk factors of graft loss. RESULTS: Two hundred forty-four children and AYA with a median follow-up of 7.3 years were included. Graft survival stratified by service provision group was not different. The incidence rate of graft loss was 37, 34, and 45 per 1000 persons per year for PO, PTA, and AO respectively. Crude age-specific graft failure rates were highest for 22-24-year-olds with inferior outcomes starting from age 16, peaking at 24 years. CONCLUSIONS: Older adolescence and young adulthood reflect a high-risk period for KT loss. Transfer to adult services was not associated with worse graft survival compared to those experiencing either AO or PO alone. Improved models of care are needed to improve graft survival in this vulnerable population within New Zealand.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».