The potential of kidney transplantation to reduce mortality from chronic kidney disease: a global, cross-sectional, modelling study
Notice bibliographique
Résumé
BACKGROUND: Globally, the burden of chronic kidney disease and ensuing need for kidney replacement therapy (KRT)-dialysis or kidney transplantation-are increasing. Despite the mortality benefit of transplantation over dialysis, dialysis services are expanding more rapidly than access to transplantation. We aimed to cross-sectionally assess the association between country-level KRT rates and chronic kidney disease mortality to facilitate evidence-based prioritisation of KRT modalities. METHODS: For all countries with publicly available data, we collected income level and gross domestic product per capita (GDP-PC) from the World Bank (data from 2022), age-standardised chronic kidney disease prevalence and mortality from the Global Burden of Diseases, Injuries, and Risk Factors Study (GBD; data from 2021), and dialysis prevalence and kidney transplantation incidence from the International Society of Nephrology-Global Kidney Health Atlas (ISN-GKHA) and Global Observatory on Donation and Transplantation (data from 2022). To account for varying chronic kidney disease prevalence among countries, we divided each of the latter three variables by the chronic kidney disease prevalence to obtain national dialysis rates, kidney transplantation rates, and the mortality-prevalence ratio, respectively. We modelled mortality-prevalence ratio as a multivariable function of GDP-PC and KRT rates. We used this model to estimate how increased kidney transplantation rates might affect chronic kidney disease mortality. FINDINGS: Among 203 countries and territories with epidemiological data available from both the GBD and ISN-GKHA, median age-standardised chronic kidney disease prevalence was 7·78% (IQR 6·54-9·48%). Data availability was associated with income level (p<0·0001). Higher GDP-PC was associated with higher KRT rates (p<0·0001 for both dialysis and kidney transplantation) and lower mortality-prevalence ratio (p<0·0001). On multivariable analysis, decreases in mortality-prevalence ratio were independently associated with GDP-PC (coefficient -0·258; 95% CI -0·413 to -0·103; p=0·0031) and kidney transplantation rates (-574; -1090 to -43·5; p=0·039), but not dialysis rates (10·8; -29·5 to -6·27; p=0·22). Conservative increases in kidney transplantation rates could avert 290 000 chronic kidney disease deaths annually. INTERPRETATION: We provide, to our knowledge, the first compilation of evidence that countries with higher kidney transplantation rates have lower mortality-prevalence ratio, regardless of GDP-PC; dialysis does not have a similar association. GDP-PC-based disparities in data availability, kidney transplantation rates, and mortality-prevalence ratio are expected to worsen with anticipated increases in prevalence of chronic kidney disease. To mitigate this risk, policy makers should leverage international guidelines and partnerships to increase access to safe and ethical transplantation. FUNDING: None.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».