Identifying candidates with favorable prognosis following liver transplantation for hepatocellular carcinoma: Data mining analysis
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: The optimal cutoff of each value in configuring selection criteria for pre-transplant assessment of hepatocellular carcinoma (HCC) remains uncertain. METHODS: To build a predictive model for recurrent HCC, we performed data mining analysis on patients who underwent LT for HCC at University Health Network (n = 246). The model was externally validated using a cohort from the Scientific Registry of Transplant Recipients (SRTR) database (n = 9,769). RESULTS: Among 246 patients, 14.6% (n = 36) experienced recurrent HCC within 2.5 years post-LT. The risk prediction model for recurrent HCC identified two subgroups with low-risk (total tumor diameter [TTD] <4 cm and serum alpha-fetoprotein [AFP] <73 ng/ml, n = 135) and with high-risk (TTD >4 cm and/or AFP >73 ng/ml, n = 111). The reproducibility of the model was validated through the SRTR database; overall patient survival rate was significantly better in low-risk group than high-risk group (P < 0.0001). Using Cox regression model, this yardstick, not Milan criteria, was revealed to efficiently predict post-transplant survival independent of underlying characteristics (P < 0.0001). CONCLUSIONS: Grouping LT candidates with pre-LT HCC by the cutoffs of TTD 4 cm and AFP 73 ng/ml which were unearthed by data mining analysis efficiently classify patients according by the post-transplant prognosis.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».