Retour en dialyse après échec de transplantation : comment améliorer les résultats dans cette population fragile ?
Bibliographic record
Abstract
Résumé Cinq ans après une transplantation rénale, 10 à 15 % des patients greffés retournent en dialyse ou nécessitent une nouvelle transplantation ; ce chiffre augmente à 23 % à 10 ans. La dialyse après échec de transplantation est maintenant une cause importante d’initiation de la dialyse, estimée à environ 5 % des incidents aux États-Unis et 10 % en France et cette population augmentera probablement dans les années qui viennent. Les patients dialysés après un échec de transplantation ont des facteurs spécifiques de fragilité : longue période d’urémie et d’immunosuppression, anémie avec résistance à l’érythropoïétine, hypoalbuminémie et état inflammatoire dû à la présence de l’allogreffe. Ces facteurs peuvent augmenter la mortalité durant la première année de dialyse, comme cela a été observé aux États-Unis, mais pas au Canada ni en France. Lorsqu’ils sont comparés à un groupe témoin d’incidents en dialyse non greffés suivis pendant plus de 12 mois dans le même hôpital, les patients après un échec de transplantation ont plus souvent une fistule artério-veineuse fonctionnelle, un même taux d’initiation de dialyse en urgence, et un débit de filtration glomérulaire plus élevé. Nous suggérons que cette prise en charge néphrologique optimale explique les bons résultats observés en France, et que la survie des patients après échec de transplantation dépend non seulement des caractéristiques individuelles de cette catégorie de patients mais également de la qualité du système de soins.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".