Review of interactions between high‐risk pediatric heart transplant recipients and marginal donors including utilization of risk score models
Notice bibliographique
Résumé
BACKGROUND: Donor organ acceptance practices vary among pediatric heart transplant professionals. We sought to understand what is known about the interactions between the "high-risk" recipient and the "marginal donor," and how donor risk scores can impact this discussion. METHODS: A systematic review of published literature on pediatric HTx was undertaken with the assistance of a medical librarian. Two authors independently assessed search results, and papers were reviewed for inclusion. RESULTS: We found that there are a large number of individual factors, and clusters of factors, that have been used to label individual recipients "high-risk" and individual donors "marginal." The terms "high-risk recipient" and "marginal donor" have been used broadly in the literature making it virtually impossible to make comparisons between publications. In general, the data support that patients who could be easily agreed to be "sicker recipients" are at more risk compared to those who are clearly "healthier," albeit still "sick enough" to need transplantation. Given this variability in the literature, we were unable to define how being a "high-risk" recipient interplays with accepting a "marginal donor." Existing risk scores are described, but none were felt to adequately predict outcomes from factors available at the time of offer acceptance. CONCLUSIONS: We could not determine what makes a donor "marginal," a recipient "high-risk," or how these factors interplay within the specific recipient-donor pair to determine outcomes. Until there are better risk scores predicting outcomes at the time of organ acceptance, programs should continue to evaluate each organ and recipient individually.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».