Predicting potential survival benefit of renal transplantation in patients with chronic kidney disease
Notice bibliographique
Résumé
BACKGROUND: To facilitate decision-making about treatment options for patients with end-stage renal disease considering kidney transplantation, we sought to develop an index for clinical prediction of risk for death. METHODS: We derived and validated a multivariable survival model predicting time to death in 169,393 patients with end-stage renal disease who were eligible for transplantation. We modified the model into a simple point-system index. RESULTS: Deaths occurred in 23.5% of the cohort. Twelve variables independently predicted death: age, race, cause of kidney failure, body mass index, comorbid disease, smoking, employment status, serum albumin level, year of first renal replacement therapy, kidney transplantation, time to transplant wait-listing and time on the wait list. The index separated patients into 26 groups having significantly unique five-year survival, ranging from 97.8% in the lowest-risk group to 24.7% in the highest-risk group. The index score was discriminative, with a concordance probability of 0.746 (95% CI 0.741-0.751). Observed survival in the derivation and validation cohorts was similar for each level of index score in 93.9% of patients. INTERPRETATION: Our prognostic index uses commonly available information to predict mortality accurately in patients with end-stage renal disease. This index could provide valuable quantitative data on survival for clinicians and patients to use when deciding whether to pursue transplantation or remain on dialysis.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».