Sex Differences in Excess Mortality Among Waitlisted Kidney, Heart, and Liver Transplant Candidates
Notice bibliographique
Résumé
Background: Sex differences in excess mortality risk (ie, above expected in the age-, sex-, and race-matched general population) among candidates waitlisted for transplant may reflect sex bias in access to the waitlist, disparities in allocation policies, and/or sex differences in care for patients with organ failure. Methods: We used time-dependent relative survival models to determine the relative excess risk of mortality in females compared with males recorded in the Scientific Registry of Transplant Recipients who were waitlisted for kidney, heart, or liver transplant from 1988 to 2019, accounting for the modifying effects of candidate age and listing era. Results: Among 644 262 kidney and 106 353 heart candidates, excess mortality was higher in female than male kidney candidates <60 y, but lower in female kidney candidates ≥60 y and heart candidates ≥12 y; patterns did not differ by era. Among 259 230 liver candidates, patterns differed by era of waitlisting. Excess mortality was lower for female than male liver candidates 0-12 and 25-44 y, and higher for females than males 13-24 y, without differences by era. Excess mortality was lower for female than male liver candidates 45-59 y waitlisted 1988-2011, but not different by sex for those waitlisted 2012-2019. Among liver candidates ≥60 y, excess mortality did not differ by sex for those waitlisted 1988-2011 but was higher for females than males waitlisted 2012-2019. Conclusions: The patterns of sex differences in excess mortality observed among waitlisted transplant candidates likely reflect the selection of healthier, lower-risk females than males for waitlisting and higher mortality risks for females with organ failure.
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 ».