Combined Body Mass Index and Body Surface Area to Predict Post Kidney Transplant Outcomes in Patients With Obesity
Notice bibliographique
Résumé
Background. The prevalence of obesity is increasing in both the general and kidney failure populations. Severe obesity (body mass index [BMI] ≥ 40 kg/m 2 ) is considered by many centers to be a barrier to kidney transplantation (KT). Obesity is typically defined using BMI. Body surface area (BSA) is not considered, though may also be important. Methods. We examined post-KT adverse outcomes associated with obesity defined using combined BMI-BSA parameters in a cohort of adult KT recipients (living/deceased donor) across the United States (Scientific Registry of Transplant Recipients: 2000–2017). Recipient obesity was defined as BMI ≥30 kg/m 2 , or BSA ≥1.94 m 2 in women and ≥2.17 m 2 in men. We used multivariable cox proportional hazards or logistic regression models as appropriate to assess the association between BMI-BSA-defined obesity with death-censored graft loss, all-cause graft loss, and delayed graft function. Results. The final study included 242 432 patients; 77 556 (32.0%) had obesity based on BMI and 67 312 (28.6%) had obesity based on BSA. Compared to patients with a nonobese BMI and BSA, the adjusted risk of death-censored graft loss, all-cause graft loss, and delayed graft function was greatest when both BMI and BSA indicated obesity (adjusted hazard ratio 1.23, 95% confidence interval [CI]: 1.20-1.27, adjusted hazard ratio 1.09, 95% CI: 1.07-1.11, adjusted odds ratio 1.58, 95% CI: 1.53-1.63, respectively); a significantly greater risk than when BMI and BSA were discordant. Conclusions. Currently only BMI is considered when evaluating obesity-related KT risk; however, combined BMI-BSA obesity may better identify individuals at high risk of poor outcomes posttransplant than BMI alone.
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 ».