Pre-Implantation Multiple Cytokine mRNA Expression Analysis of Donor Lung Grafts Predicts Survival After Lung Transplantation in Humans
Notice bibliographique
Résumé
While current donor selection with clinical findings is generally effective, the imprecise nature of the assessment forces clinicians to remain on the conservative side. A reliable biological marker would assist donor selection and would improve donor organ utilization. We collected biopsies from 169 donor lungs before implantation. Expression levels of IL-6, IL-8, IL-10, TNF-alpha, IFN-gamma and IL-1beta were measured by quantitative real-time RT-PCR (qRT-PCR). Seventeen cases died within 30 days after transplantation. No donor factor was significantly associated with 30-day mortality. Univariate analysis of the 84 cases for development of the prediction model showed that IL-6, IL-8, TNF-alpha and IL-1beta were risk factors for mortality and IL-10 and IFN-gamma were protective factors. We analyzed the cytokine expression ratios of risk to protective cytokines. A stepwise logistic regression for 30-day mortality demonstrated that a model containing the ratio of IL-6/IL-10 was the most predictive (p = 0.0013). When applied to the remaining 85 cases for validation, the test of model fit was significant (p = 0.039). Using the cytokine ratio, we were able to define three risk groups with striking differences in survival (p = 0.0003). Multi-cytokine analysis of the donor lung graft with qRT-PCR shows significant promise as a strategy to biologically evaluate the donor lung prior to implantation.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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) | 0,001 | 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 ».