Estimated GFR for Living Kidney Donor Evaluation
Notice bibliographique
Résumé
All living kidney donor candidates undergo evaluation of GFR. Guidelines recommend measured GFR (mGFR), using either an endogenous filtration marker or creatinine clearance, rather than estimated GFR (eGFR), but measurement methods are difficult, time consuming and costly. We investigated whether GFR estimated from serum creatinine (eGFRcr) with or without sequential cystatin C is sufficiently accurate to identify donor candidates with high probability that mGFR is above or below thresholds for clinical decision making. We combined the pretest probability for mGFR thresholds <60, <70, ≥80, and ≥90 mL/min per 1.73 m(2) based on demographic characteristics (from the National Health and Nutrition Examination Survey) with test performance of eGFR (categorical likelihood ratios from the Chronic Kidney Disease Epidemiology Collaboration) to compute posttest probabilities. Using data from the Scientific Registry of Transplant Recipients, 53% of recent living donors had predonation eGFRcr high enough to ensure ≥95% probability that predonation mGFR was ≥90 mL/min per 1.73 m(2) , suggesting that mGFR may not be necessary in a large proportion of donor candidates. We developed a Web-based application to compute the probability, based on eGFR, that mGFR for a donor candidate is above or below a range of thresholds useful in living donor evaluation and selection.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».