Moving Beyond the Perfect Donor
Notice bibliographique
Résumé
BACKGROUND: Despite a growing demand for donor hearts, more than two-thirds of viable hearts are discarded in North America. Our initiative sought to improve donor heart utilization by reviewing institutional donor acceptance practices and implementing targeted interventions. OBJECTIVES: Our aim was to increase donor heart utilization rate to 20% and reduce the rate of missed viable opportunities to ≤10% within a 12-month period, and assess the incidence of primary graft dysfunction preintervention and postintervention. METHODS: This prospective single-center study included all donor heart offers from January 1, 2021, to December 31, 2023. Donor demographics, clinical data, and utilization outcomes were collected. Missed viable opportunities were defined by criteria including left ventricular ejection fraction >50%, age <45 years, ischemic time <4 hours, and ≤20% undersizing by predicted heart mass. In January 2023, we launched a dashboard to track and display real-time utilization rates, held a Vanguard international speaker series, and introduced cardiologist/surgeon donor report cards. RESULTS: Before the interventions (January 2021-December 2022), 54 of 436 (12.4%) donor offers were utilized; postintervention (January 2023-December 2023), 43 out of 233 offers (18.5%) were utilized (P = 0.038). Missed viable opportunities decreased from 19.3% (2021-2022) to 8.6% (2023) (P < 0.001). Additionally, there was a trend toward reduction in severe primary graft dysfunction (26% vs 12%, P = 0.121) postintervention. CONCLUSIONS: Our interdisciplinary, multipronged interventions doubled our donor heart utilization rate and significantly reduced missed viable opportunities without compromising short-term heart transplant recipient outcomes.
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 ».