Predictors for transplant renal artery stenosis in kidney transplant recipients: a systematic-review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Kidney transplant recipients after kidney transplantation may develop transplant renal artery stenosis (TRAS). Multiple studies have sought to identify risk factors, yet the findings remain inconsistent. METHODS: PubMed, Scopus, and Web of Science Core Collection were comprehensively searched to retrieve studies. The 1st screening phase required studies to be in English and evaluate patients with TRAS. The 2nd screening phase needed studies to provide extractable data. Quality of each included study was assessed using the Newcastle-Ottawa Scale. The protocol was registered through PROSPERO (CRD42023455295). RESULTS: A total of 25 cohort and 6 case-control studies were included, with the majority being of moderate quality. The predictors for TRAS identified in univariate analysis were deceased donor (odds ratio (OR), 1.74; p = 0.04), delayed graft function (OR 2.46; p = 0.0004), acute rejection (OR 2.03; p = 0.001), prolonged cold ischemia time (p = 0.01), multiple renal arteries (OR 1.73; p = 0.03), right kidney implantation (OR 1.89; p = 0.005), ischemic heart disease (OR 1.64; p = 0.0004), diabetes mellitus (OR 1.58; p = 0.001), hypertension (OR 1.28; p = 0.0009), immunosuppression with mycophenolate mofetil (OR 1.22; p = 0.02), cytomegalovirus status (OR 1.94; p 0.0001) and older recipient age (p = 0.01). CONCLUSIONS: This study provides the largest and most reliable review on predictors for TRAS following kidney transplantation. Despite the chance of some factors being dependent of one another, our findings would still be helpful for clinicians in risk-stratification for TRAS and long-term follow-up of kidney transplant recipients.
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 | 0,000 |
| 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 ».