Assessing Risk Factors and Posttransplant Outcomes of Nonadherence Among Kidney Transplant Recipients
Notice bibliographique
Résumé
Background: Adherence of kidney transplant recipients (KTRs) to prescribed regimens is vital for long-term graft function. This study aimed to identify adherence rates using objective and composite measures, risk factors for nonadherence, and the latter's impact on posttransplant outcomes. Methods: A retrospective single-center cohort study was conducted among KTR transplanted from January 1, 2003, to December 31, 2017. Overall nonadherence was defined as 1 or more of the following in the first-year posttransplant: (1) at least 1 missed clinic visit, (2) >30% missed laboratory visits, and (3) >40% coefficient of variation of calcineurin inhibitor levels. Logistic and Cox proportional hazards models were fitted to identify adherence risk factors and outcomes, respectively. Results: Among the included 1803 KTR, overall nonadherence was identified in 34.9%; 11.2% were nonadherent to clinic visits, 5.4% to laboratory tests, and 25.2% to medications. Recipient history of psychiatric disorders (odds artio [OR], 1.57; 95% confidence interval [CI], 1.22-2.02) or pretransplant nonadherence (OR, 1.82; 95% CI, 1.31-2.54), and private drug coverage (OR, 0.62; 95% CI, 0.48-0.80) were associated with posttransplant nonadherence. Any episode of nonadherence over the first year after transplant was associated with an increased risk of total graft failure (hazard ratio [HR], 1.52; 95% CI, 1.20-1.91), death with graft function (HR, 1.51; 95% CI, 1.11-2.05), and biopsy-proven acute rejection (HR, 2.35; 95% CI, 1.38-3.99). Conclusions: Adherence among KTR is influenced by both psychosocial and socioeconomic determinants which impact posttransplant outcomes. Our results emphasize feasible methods to monitor adherence and identify high-risk KTR.
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) | 0,001 | 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 ».