Predicting donor lung acceptance for transplant during ex vivo lung perfusion: The EX vivo lung PerfusIon pREdiction (EXPIRE)
Notice bibliographique
Résumé
Ex vivo lung perfusion (EVLP) has being increasingly used for the pretransplant assessment of extended-criteria donor lungs. Mathematical models to predict lung acceptance during EVLP have not been reported so far. Thus, we hypothesized that predictors of lung acceptance could be identified and used to develop a mathematical model describing the clinical decision-making process used in our institution. Donor lungs characteristics and EVLP physiologic parameters included in our EVLP registry were examined (derivation cohort). Multivariable logistic regression analysis was performed to identify predictors independently associated with lung acceptance. A mathematical model (EX vivo lung PerfusIon pREdiction [EXPIRE] model) for each hour of EVLP was developed and validated using a new cohort (validation cohort). Two hundred eighty donor lungs were assessed with EVLP. Of these, 186 (66%) were accepted for transplantation. ΔPO2 and static compliance/total lung capacity were identified as independent predictors of lung acceptance and their respective cut-off values were determined. The EXPIRE model showed a low discriminative power at the first hour of EVLP assessment (AUC: 0.69 [95% CI: 0.62–0.77]), which progressively improved up to the fourth hour (AUC: 0.87 [95% CI: 0.83–0.92]). In a validation cohort, the EXPIRE model demonstrated good discriminative power, peaking at the fourth hour (AUC: 0.85 [95% CI: 0.76–0.94]). The EXPIRE model may help to standardize lung assessment in centers using the Toronto EVLP technique and improve overall transplant rates.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».