Identifying Modifiable Predictors of Long‐Term Survival in Liver Transplant Recipients With Diabetes Mellitus Using Machine Learning
Notice bibliographique
Résumé
Diabetes mellitus (DM) significantly impacts long-term survival after liver transplantation (LT). We identified survival factors for LT recipients who had DM to inform preventive care using machine-learning analysis. We analyzed risk factors for mortality in patients from across the United States using the Scientific Registry of Transplant Recipients (SRTR). Patients had undergone LT from 1987 to 2019, with a follow-up of 6.47 years (standard deviation [SD] 5.95). Findings were validated on a cohort from the University Health Network (UHN) from 1989 to 2014 (follow-up 8.15 years [SD 5.67]). Analysis was conducted with Cox proportional hazards and gradient boosting survival. The training set included 84.67% SRTR data (n = 15,289 patients), and the test set included 15.33% SRTR patients (n = 2769) and data from UHN patients (n = 1290). We included 18,058 adults (12,108 [67.05%] men, average age 54.21 years [SD 9.98]) from the SRTR who had undergone LT and had complete data for investigated features. A total of 4634 patients had preexisting DM, and 3158 had post-LT DM. The UHN data consisted of 1290 LT recipients (910 [70.5%] men, average age 54.0 years [SD 10.4]). Increased serum creatinine and hypertension significantly impacted mortality with preexisting DM 1.36 (95% confidence interval [CI], 1.21-1.54) and 1.20 (95% CI, 1.06-1.35) times, respectively. Sirolimus use increased mortality 1.36 times (95% CI, 1.18-1.58) in nondiabetics and 1.33 times (95% CI, 1.09-1.63) in patients with preexisting DM. A similar effect was found in post-LT DM, although it was not statistically significant (1.38 times; 95% CI, 1.07-1.77; P = 0.07). Survival predictors generally achieved a 0.60 to 0.70 area under the receiver operating characteristic for 5-year mortality. LT recipients who have DM have a higher mortality risk than those without DM. Hypertension, decreased renal function, and sirolimus for maintenance immunosuppression compound this mortality risk. These predisposing factors must be intensively treated and modified to optimize long-term survival after transplant.
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 | 0,000 |
| 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) | 0,000 | 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 ».