Prediction of kidney graft failure using clinical scoring tools
Notice bibliographique
Résumé
BACKGROUND: Donor organ quality is a key determinant of graft function, and considerable efforts have been made to identify donor and transplant factors predicting inferior outcomes. This has resulted in the development of various scoring tools to aid in allocation of kidneys. METHODS: The performance of four donor quality scoring systems in predicting delayed graft function, and death-censored graft failure was examined in a single-center cohort of 730 consecutive deceased donor kidneys transplanted between 1990 and 2004. The predictive accuracy of the variables was analyzed with receiver operating characteristic curves and graft survival distribution. RESULTS: The three outcome tools, that is, deceased donor score (DDS; Am J Transplant, 3, 2003, 715), donor risk score (DRS; Am J Transplant, 5, 2005, 757) and kidney donor risk index (KDRI; Transplantation, 88, 2009, 231) provided a significant and equivalent prediction of graft failure by using variables available at time of transplantation (p < 0.01). The risk of delayed graft function was predicted by the (DGF) nomogram (J Am Soc Nephrol, 14, 2003, 2967; Am J Transplant 10, 2010, 2279) with a high degree of discrimination (concordance index of 0.69, p < 0.01). CONCLUSIONS: Our findings validate four pre-operative clinical scoring tools to predict early and late graft outcome in an independent, single-center set of kidney transplants.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».