A Probabilistic Approach to Histologic Diagnosis of Antibody-Mediated Rejection in Kidney Transplant Biopsies
Notice bibliographique
Résumé
Histologic diagnosis of antibody-mediated rejection (ABMR) in kidney transplant biopsies uses lesion score cutoffs such as 0 versus >0 rather than actual scores and requires donor-specific antibody (DSA); however, cutoffs lose information, and DSA is not always reliable. Using microarray-derived molecular ABMR scores as a histology-independent estimate of ABMR in 703 biopsies, we reassessed criteria for ABMR to determine relative importance of various lesions, the utility of equations using actual scores rather than cutoffs, and the potential for diagnosing ABMR when DSA is unknown or negative. We confirmed that the important features for ABMR diagnosis were peritubular capillaritis (ptc), glomerulitis (g), glomerular double contours, DSA and C4d staining, but we questioned some features: arterial fibrosis, vasculitis, acute tubular injury, and sum of ptc+g scores. Regression equations using lesion scores predicted molecular ABMR more accurately than score cutoffs (area under the curve 0.85-0.86 vs. 0.75). DSA positivity improved accuracy, but regression equations predicted ABMR with moderate accuracy when DSA was unknown. Some biopsies without detectable DSA had high probability of ABMR by regression, although most had HLA antibody. We concluded that regression equations using lesion scores plus DSA maximized diagnostic accuracy and can estimate probable ABMR when DSA is unknown or undetectable.
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 | 0,013 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».