Biomarker implementation: Evaluation of the decision‐making impact of CXCL10 testing in a pediatric cohort
Notice bibliographique
Résumé
Abstract Background Children are at high risk for subclinical rejection, and kidney biopsy is currently used for surveillance. Our objective was to test how novel rejection biomarkers such as urinary CXCL10 may influence clinical decision‐making to indicate need for a biopsy. Methods A minimum dataset for standard decision‐making to indicate a biopsy was established by an expert panel and used to design clinical vignettes for use in a survey. Pediatric nephrologists were recruited to review the vignettes and A) estimate rejection risk and B) decide whether to biopsy; first without and then with urinary CXCL10/Cr level. Accuracy of biopsy decisions was then tested against the biopsy results. IRA was assessed by Fleiss Kappa (κ) for binary choice and ICC for probabilities. Results Eleven pediatric nephrologists reviewed 15 vignettes each. ICC of probability assessment for rejection improved from poor (0.28, P < .01) to fair (0.48, P < .01) with addition of CXCL10/Cr data. It did not, however, improve the IRA for decision to biopsy (K = 0.48 and K = 0.43, for the comparison). Change in clinician estimated probability of rejection with additional CXCL10/Cr data was correlated with CXCL10/Cr level (r 2 = 0.7756, P < .0001). Decision accuracy went from 8/15 (53.3%) cases to 11/15 (73.3%) with CXCL10/Cr, although improvement did not achieve statistical significance. Using CXCL10/Cr alone would have been accurate in 12/15 cases (80%). Conclusion There is high variability in decision‐making on biopsy indication. Urinary CXCL10/Cr improves probability estimates for risk of rejection. Training may be needed to assist nephrologists in better integrate biomarker information into clinical decision‐making.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».