Prediction of delayed graft function after renal transplantation
Notice bibliographique
Résumé
Introduction: Delayed graft function (DGF), defined as the needfor dialysis during the first week after renal transplantation, is animportant adverse clinical outcome. A previous model relied on16 variables to quantify the risk of DGF, thereby undermining itsclinical usefulness. We explored the possibility of developing asimpler, equally accurate and more user-friendly paradigm forrenal transplant recipients from deceased donors.Methods: Logistic regression analyses addressed the occurrenceof DGF in 532 renal transplant recipients from deceased donors.Predictors consisted of recipient age, gender, race, weight, numberof HLA-A, HLA-B and HLA-DR mismatches, maximum andlast titre of panel reactive antibodies, donor age and cold ischemiatime. Accuracy was quantified with the area under the curve. Twohundred bootstrap resamples were used for internal validation.Results: Delayed graft function occurred in 103 patients (19.4%).Recipient weight (p < 0.001), panel of reactive antibodies (p < 0.001),donor age (p < 0.001), cold ischemia time (p = 0.005) and HLADRmismatches (p = 0.05) represented independent predictors.The multivariable nomogram relying on 6 predictors was 74.3%accurate in predicting the probability of DGF.Conclusion: Our simple and user-friendly model requires 6 variablesand is at least equally accurate (74%) to the previous nomogram(71%). We demonstrate that DGF can be accurately predictedin different populations with this new model.Introduction : La reprise retardée de la fonction (RRF) du greffon,définie comme le besoin de recourir à la dialyse pendant la premièresemaine suivant une transplantation rénale, est une issueclinique indésirable importante. Un modèle proposé antérieurementreposait sur 16 variables pour quantifier le risque de RRF,diminuant ainsi son utilité clinique. Nous avons exploré la possibilitéd’élaborer un paradigme simplifié et plus convivial tout enétant tout aussi précis pour les receveurs de greffons rénauxprovenant de donneurs décédés.Méthodologie : À l’aide d’analyses de régression logistique, nousavons étudié la survenue de la RRF du greffon chez 532 receveursde greffons rénaux provenant de donneurs décédés. Les facteursde prédiction comprenaient l’âge, le sexe, la race et le poids dureceveur et le nombre de non-concordance des phénotypes HLAA,HLA-B et HLA-DR, le titre maximal et le dernier titre d’anticorpsréactifs, l’âge du donneur et la période d’ischémie froide. L’exactitudea été quantifiée par la mesure de la surface sous la courbe. Deuxcents rééchantillonnages par auto-amorçage ont servi à la validationinterne.Résultats : Une reprise retardée de la fonction a été observée chez103 patients (19,4 %). Le poids du receveur (p < 0,001), les anticorpsréactifs (p < 0,001), l’âge du donneur (p < 0,001), la périoded’ischémie froide (p = 0,005) et la non-concordance des phénotypesHLA-DR (p = 0,05) constituaient des facteurs de prédictionindépendants. Le nomogramme multivarié reposant sur 6 facteursde prédiction a permis de prédire avec une exactitude de 74,3 %la probabilité de RRF.Conclusion : Notre modèle simple et convivial nécessite 6 va riableset est au moins tout aussi exact (74 %) que le nomogramme antérieur(71 %). La RRF peut être prévue avec exactitude dans différentespopulations à l’aide ce nouveau modèle, tel que nous en faisonsla démonstration.
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 | 0,000 | 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) | 0,002 | 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 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 ».