Postoperative outcomes of kidney transplant recipients undergoing non-transplant-related elective surgery: a systematic review and meta-analysis
Notice bibliographique
Résumé
Abstract Background Reliable estimates of the absolute and relative risks of postoperative complications in kidney transplant recipients undergoing elective surgery are needed to inform clinical practice. This systematic review and meta-analysis aimed to estimate the odds of both fatal and non-fatal postoperative outcomes in kidney transplant recipients following elective surgery compared to non-transplanted patients. Methods Systematic searches were performed through Embase and MEDLINE databases to identify relevant studies from inception to January 2020. Risk of bias was assessed by the Newcastle Ottawa Scale and quality of evidence was summarised in accordance with GRADE methodology (grading of recommendations, assessment, development and evaluation). Random effects meta-analysis was performed to derive summary risk estimates of outcomes. Meta-regression and sensitivity analyses were performed to explore heterogeneity. Results Fourteen studies involving 14,427 kidney transplant patients were eligible for inclusion. Kidney transplant recipients had increased odds of postoperative mortality; cardiac surgery (OR 2.2, 95%CI 1.9–2.5), general surgery (OR 2.2, 95% CI 1.3–4.0) compared to non-transplanted patients. The magnitude of the mortality odds was increased in the presence of diabetes mellitus. Acute kidney injury was the most frequently reported non-fatal complication whereby kidney transplant recipients had increased odds compared to their non-transplanted counterparts. The odds for acute kidney injury was highest following orthopaedic surgery (OR 15.3, 95% CI 3.9–59.4). However, there was no difference in the odds of stroke and pneumonia. Conclusion Kidney transplant recipients are at increased odds for postoperative mortality and acute kidney injury following elective surgery. This review also highlights the urgent need for further studies to better inform perioperative risk assessment to assist in planning perioperative care.
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 | 0,012 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,019 | 0,035 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».