Clinical relevance of human leukocyte antigen antibodies in liver, heart, lung and intestine transplantation
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Solid phase assays identify human leukocyte antigen (HLA) antibodies with a great sensitivity. Whether to accept or decline an organ if the virtual crossmatch is positive, when to monitor and whether to treat de-novo donor-specific antibody (DSA) posttransplant remain challenging issues for the transplant clinician. RECENT FINDINGS: Technologies that can differentiate which antibodies pose the greatest risk for antibody-mediated rejection (AMR) are evolving. Complement fixing luminex assays have been used to predict high-risk antibodies, but using these assays alone will miss some preformed antibodies. How these technologies fit into the laboratory's testing algorithm will likely need to be individualized. Posttransplant de-novo DSAs are associated with inferior outcomes. In hearts, similar to renal transplantation, acute rejection is a risk factor for developing de-novo DSA. Further data are needed to determine whether other risk factors are similar to those reported for renal transplants. Antibodies to self-antigens are increasingly recognized posttransplant and how the alloimmune response contributes to altered autoregulation is a current research focus. SUMMARY: Identification of DSA enables the clinician to make informed decisions regarding whether or not to accept an organ and if augmented immunosuppression is indicated. Monitoring for DSA posttransplant identifies recipients at a greater risk for AMR and can guide management. However, the best approach to dealing with de-novo DSA remains unclear.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 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 ».