The Impact of Posttransplant Lymphoproliferative Disease in High-risk Kidney Transplant Recipients: Benefits of Prevention
Notice bibliographique
Résumé
Background. Posttransplant lymphoproliferative disease (PTLD) is increased in kidney transplant recipients who are Epstein-Barr virus (EBV) nonimmune (R – ), particularly if the donor has prior EBV immunity (D + ). PTLD is associated with very high mortality. The purpose of this study was to quantify the impact of PTLD on deceased donor EBV D + R – kidney transplant recipients. Methods. A Markov model was created to quantify remaining patient life years (LYs) and quality-adjusted LYs (QALYs) in EBV D + R – recipients compared with EBV R + recipients. Different ages at transplant, incidence of PTLD within the first year, potential impact of therapeutic treatments to reduce PTLD, and costs were examined in a sensitivity analysis. Results. A baseline 40-y-old EBV D + R – recipient is projected to live 21.18 LYs. If there is no PTLD, the recipient lives 21.37 LYs, but if PTLD develops in the first year, the projected life remaining LYs are only 15.03. Each high-risk 40-y-old EBV D + R – recipient loses, on average, 0.192 LYs or 0.134 QALYs. LYs and QALYs gained with prevention depended on the effectiveness of the intervention, incidence of PTLD within the first year, and recipient age. Slightly fewer LYs are lost in younger recipients (age 10 y; 0.156 LF) and older recipients (age 60 y; 0.133 LY), likely due to lower case fatality rates and higher competing risks of death in the young and old, respectively. Strategies, such as rituximab, given at the time of transplant, could be cost-effective (<$50 000/QALY) if the reduction in PTLD was >50% and the cost of the intervention was <$3000. Conclusions. PTLD has a significant impact on survival in high-risk kidney transplant recipients. Preventive strategies may be cost-effective but would depend on the degree of effectiveness, safety, and cost.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».