Clinical Prediction Models of Patient and Graft Survival in Kidney Transplant Recipients: A Systematic Review.
Notice bibliographique
Résumé
Background Identification of kidney transplant recipients (KTR) at higher risk for mortality and graft failure remains a challenge for the clinician. Several clinical prediction models (CPM) of patient and graft survival have been developed to help identify these individuals. Evaluation of the quality, validity and performance of these models is essential prior to clinical use. Purpose To systematically review CPM of patient and graft survival in KTR. Methods Medline and EMBASE were searched from 1966 to 2013 for English language articles. Eligible studies included CPM of patient and graft survival in adult &/or pediatric KTR with at least 100 patients. Data was extracted by 2 independent reviewers. Results A total of 11 studies were identified which included 3 studies (15 models) of patient survival, 9 studies (26 models) of graft survival in primarily deceased donor KTR and 2 studies (5 models) of graft survival in living donor recipients. Model discrimination was modest with c statistics of 0.60 to 0.75 for patient survival models, 0.61 to 0.90 for graft survival models in primarily deceased donor KTR and 0.71 to 0.88 for graft survival models in living donor recipients. Calibration was reported in 8 of the 11 studies and external validation of the models was done in 4 studies. One study met the criteria for clinical usefulness.Table: No Caption available.Conclusion The majority of existing CPM have modest discriminatory ability. Reporting of other measures of model performance is variable and external validation of models is inconsistent. Further study is needed to validate existing models &/or develop clinically useful prediction models.
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 | 0,017 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,011 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».