The Flow of Living Kidney Donor Candidates Through the Evaluation Process: A Single-Center Experience in Ontario, Canada
Notice bibliographique
Résumé
Introduction: Tracking the evaluation process of living kidney donor candidates facilitates benchmarking and can inform process redesign to improve experiences with the evaluation and enable more living donor kidney transplantation. Methods: We reviewed the medical records for all living donor candidates who were actively undergoing evaluation at any time between January 1, 2013, and December 31, 2016, at the London Health Sciences Centre in London, Ontario, Canada. We abstracted information on demographic factors, the evaluation process, reasons for a delayed evaluation, reasons for an evaluation termination (eg, donation, decline, withdrawal, loss to follow-up), frequency and timing of evaluation testing, and recipient dialysis status. Results: Over time, the number of living donor kidney transplants increased from 22 in 2013 to 32 in 2016 (18% and 34% of which were pre-emptive, respectively). The median number of candidates coming forward doubled from 167 in 2013 (2 candidates per recipient) to 348 in 2016 (4 candidates per recipient). Median time from first contact until donation decreased from 12.8 months in 2013 to 7.1 months in 2016 (a 45% reduction). The time from computed tomography (CT) angiography until donation (n = 74) was a median of 75 (interquartile range [IQR] = 36, 180) days, the longest single step in the evaluation. Common reasons for delay included waiting for the referral of their intended recipient for transplant evaluation (11% of candidates) and a need for the donor candidate to lose weight (8% of candidates). Donors completed the main evaluation tests on a median of 5 different dates. Thirty-six recipients started dialysis after their living donor candidates' evaluation had been underway for at least 3 months. Conclusion: Tracking the steps and reasons for an inefficient living kidney donor evaluation process can be used for quality improvement, and efficiency improvements are expected to translate into improved outcomes and experiences.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,003 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».