MétaCan
Menu
Retour à la cohorte
Enregistrement W2794934564 · doi:10.1111/ajt.14746

Carpe diem—Time to transition from empiric to precision medicine in kidney transplantation

2018· article· en· W2794934564 sur OpenAlexaff
Chris Wiebe, Julie Ho, Ian W. Gibson, David N. Rush, Peter Nickerson

Notice bibliographique

RevueAmerican Journal of Transplantation · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueRenal Transplantation Outcomes and Treatments
Établissements canadiensUniversity of ManitobaShared Health
Organismes subventionnairesnon disponible
Mots-clésCalcineurinImmunosuppressionMedicineIntensive care medicineSubclinical infectionTransplantationKidney transplantationPrecision medicineImmunologyInternal medicinePathology

Résumé

récupéré en direct d'OpenAlex

The current immunosuppressive pipeline in kidney transplantation is limited. In part, this is due to excellent one-year allograft outcomes with the current standard of care (ie, calcineurin inhibitor in combination with anti-proliferative agents). Despite this success, a recent Federal government-sponsored systematic review has identified gaps/limits in the evidence of what constitutes optimal calcineurin inhibitor use in the short- and long-term. Moreover, recent empiric approaches to minimize/withdraw/convert from calcineurin inhibitors have come with the price of increased alloreactivity. As the time horizon to replace calcineurin inhibitors on a global scale may be distant, the transplant community should seize the opportunity to develop ways to personalize calcineurin inhibitor immunosuppression to the individual-transitioning from empiricism to precision. The authors argue in this viewpoint that the path to precision will require measures capable of detecting subclinical alloreactivity to define adequacy of immunosuppression, as well as novel genetic analytics to accurately define alloimmune risk at the individual level-both approaches will require validation in clinical trials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,020
score de la tête « metaresearch » (Gemma)0,077
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,105

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,077
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,004
Communication savante0,0130,010
Science ouverte0,0010,007
Intégrité de la recherche0,0040,012
Charge utile insuffisante (le modèle a refusé de juger)0,0130,002

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,311
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2018
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueAmerican Journal of TransplantationMême sujetRenal Transplantation Outcomes and TreatmentsTravaux en français237 207