Evolving Trends in Organ Donation and Transplantation Rates Across Muslim Majority Countries
Notice bibliographique
Résumé
Muslim-majority countries differ in socio-cultural behavior and economic development but share a similar high burden of organ failure. Due to this heterogeneity, mapping organ donation and transplantation activity is of interest for future healthcare provision. Data was analyzed for 50 Muslim-majority countries (defined as Muslims comprising >50% of the population). Organ donation/transplantation rates were obtained from global registries between 2013-2023. Supplementary socio-economic and health data were obtained from open-source data repositories. Muslim-majority countries population increased from 1.53 billion to 1.88 billion between 2013-2023. Organ donation/transplant activity was only reported for 21/50 countries. Most organ donations came from living people rather than deceased donors (resulting in kidney and liver transplantation being the most common procedures). Other transplant activity rates were low. Poisson regression analyses identified multiple socioeconomic indicators to be associated with deceased- or living-donor activity, while negative binomial analyses comparing Muslim-majority to other countries within the region showed Muslim countries had lower deceased donation rates. Our study shows access to transplantation is lacking in many Muslim-majority countries. While socio-economic factors play a role, other challenges like religious and/or cultural barriers must be appreciated. With such global heterogeneity, bespoke country-specific interventions are warranted to improve transplantation opportunities in Muslim-majority countries.
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 | 0,001 | 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 ».