Prevalence and factors associated with frailty among incident kidney transplant patients: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Evidence on frailty prevalence in Brazilian patients with kidney transplant (KT) is scarce. OBJECTIVES: To estimate frailty prevalence in pre-KT patients and its association with functional, cognitive, and laboratory anomalies. DESIGN AND SETTING: Cross-sectional descriptive study included adult KT candidates assessed within 24 hours before KT, at two medical centers in Northeast Brazil. METHODS: Frailty was classified as non-frail (scores 0-1), intermediate frail (score 2), or frail (scores 3-5), using Fried et al. criteria. Patients were divided into: Non-frail (0-1) and Frail (≥ 2) groups. Katz and Lawton's scales assessed the dependence on basic (ADLs) and instrumental (IADLs) activities of daily living, respectively. Montreal Cognitive Assessment was used to evaluate cognition. Laboratory tests were performed during pre-KT evaluation. RESULTS: Among 82 patients, most were male (80.5%), mixed-race (76.8%), and 48.8 ± 14.9-years-old. The Frail group (63.4%) comprised 34.1% intermediate frail, and 29.3% frail individuals. This group had a higher prevalence of hypertension (90.4% vs. 70%, P = 0.018), rheumatological diseases (15.4% vs. 0%, P = 0.024), cognitive impairment (71.0% vs. 40.7%, P = 0.020), dependence on ADLs (32% vs. 0%, P < 0.001) and IADLs (82% vs. 56.7%, P = 0.014), lower hemoglobin (11.9 ± 2.7 g/dL vs. 13.4 ± 1.8 g/d, P = 0.005), and lower creatinine levels (7.1 mg/dL, IQR 6-10 vs. 9.1 mg/dL, IQR 7-11, P = 0.044). CONCLUSIONS: Pretransplant frailty was prevalent and associated with functional disability, cognitive impairment, and biomarkers indicating sarcopenia. Early frailty assessment and identification of modifiable factors are essential.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».