Molecular Microscope Strategy to Improve Risk Stratification in Early Antibody-Mediated Kidney Allograft Rejection
Notice bibliographique
Résumé
Antibody-mediated rejection (ABMR) is the leading cause of kidney allograft loss. We investigated whether the addition of gene expression measurements to conventional methods could serve as a molecular microscope to identify kidneys with ABMR that are at high risk for failure. We studied 939 consecutive kidney recipients at Necker Hospital (2004-2010; principal cohort) and 321 kidney recipients at Saint Louis Hospital (2006-2010; validation cohort) and assessed patients with ABMR in the first 1 year post-transplant. In addition to conventional features, we assessed microarray-based gene expression in transplant biopsy specimens using relevant molecular measurements: the ABMR Molecular Score and endothelial donor-specific antibody-selective transcript set. The main outcomes were kidney transplant loss and progression to chronic transplant injury. We identified 74 patients with ABMR in the principal cohort and 54 patients with ABMR in the validation cohort. Conventional features independently associated with failure were donor age and humoral histologic score (g+ptc+v+cg+C4d). Adjusting for conventional features, ABMR Molecular Score (hazard ratio [HR], 2.22; 95% confidence interval [95% CI], 1.37 to 3.58; P=0.001) and endothelial donor-specific antibody-selective transcripts (HR, 3.02; 95% CI, 1.00 to 9.16; P<0.05) independently associated with an increased risk of graft loss. The results were replicated in the independent validation group. Adding a gene expression assessment to a traditional risk model improved the stratification of patients at risk for graft failure (continuous net reclassification improvement, 1.01; 95% CI, 0.57 to 1.46; P<0.001; integrated discrimination improvement, 0.16; P<0.001). Compared with conventional assessment, the addition of gene expression measurement in kidney transplants with ABMR improves stratification of patients at high risk for graft loss.
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 | 0,001 | 0,002 |
| 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 ».