Abstract 76: Preoperative Genome-wide Differences in Inflammatory Gene Expression Predict Success Versus Failure in Lower Extremity Vein Bypass
Notice bibliographique
Résumé
Introduction: Vein bypass grafting is standard surgical therapy in the treatment for peripheral arterial disease (PAD), especially for those with limb threatening ischemia. However, the durability of vein grafts remains problematic with recent studies reporting disappointing 1-year primary patency rates as low as 61%. We hypothesized that an individual’s systemic inflammatory state, characterized by genome-wide inflammatory gene expression, would be predictive of ultimate clinical success or failure of these grafts. Methods: 41 patients undergoing vein bypass grafting for symptomatic PAD (85% critical limb ischemia; 25% claudication) had complete pre-operative gene expression data for analysis and one-year follow-up. There were 16 failures (39%) by one-year. Gene expression was analyzed for the entire genome using the novel Affymetrix GGH2 6.9 million feature oligonucleotide array system. Expression levels for the 35,123 gene transcripts and initial unsupervised and supervised (success/failure outcome) clustering was performed using BRB array tools. To then determine the additional predictive influence of specific genes or groups of genes, a novel objective Bayes method for dichotomous outcomes using stochastic search algorithms and probit regression models was employed. A series of increasingly predictive candidate models of gene combinations were derived. Clinical parameters including Rutherford disease severity score at presentation, vein conduit (GSV vs. composite vein), diabetes, smoking, statin use, and antiplatelet/anticoagulant use were standardized in the predictive model. Results: A random search through the space of possible models including the six clinical covariates and different combinations of gene products was executed, resulting in a list of 20 models ranked based on their posterior probabilities. The additional predictive power of the top gene products are listed in Table 1 and genes with the highest marginal posterior probabilities are listed in Table 2. This modeling approach suggests that the genes identified, independent of any relationship functionally, exhibit class prediction potential for bypass outcome. Conclusions: Using both a powerful and novel gene array system and a novel probit model selection method, we were able to identify a small number of gene clusters with predictive capability for bypass success or failure. This may both be prognostic and feasible for use in clinical practice as a point-of-care tool moving forward. Validation of these models is currently underway.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».