Development and validation of a prediction model for kidney failure in long-term survivors of childhood cancer: A report from the Childhood Cancer Survivor Study (CCSS).
Notice bibliographique
Résumé
10047 Background: Kidney failure (need for dialysis or kidney transplantation, or death due to kidney disease) is a rare but serious late effect for survivors of childhood cancer. We aimed to develop a model using demographic and treatment characteristics to predict individual risk of kidney failure among five-year survivors of childhood cancer. Methods: CCSS survivors without kidney failure at five years after cancer diagnosis (n = 25,483) were assessed for subsequent kidney failure by age 40. Outcomes were self-reported and corroborated by the Organ Procurement and Transplantation Network and the National Death Index. A sibling cohort (n = 5045) served as a comparator. Piecewise exponential models with backward selection estimated the relationships between potential predictors and kidney failure and were converted to integer risk scores. Additional results from the St. Jude Lifetime Cohort Study (SJLIFE, n = 2490) and the National Wilms Tumor Study (NWTS, n = 6760) validated the models. Results: Among CCSS survivors, 204 developed late kidney failure. We developed a model with sex, race/ethnicity, age at cancer diagnosis, nephrectomy, exposure to specific chemotherapy, any abdominal radiation, presence of genitourinary anomalies, and early-onset hypertension (Table). Risk scores achieved an area under the curve (AUC) and concordance (C) statistic of 0.65 and 0.68 for kidney failure by age 40. Validation cohort AUC and C statistics were 0.83/0.86 for SJLIFE (8 cases) and 0.61/0.63 for NWTS (91 cases). An alternative model with specific chemotherapy doses and kidney-specific radiation dosimetry had similar AUC and C statistic (0.67/0.70). Integer risk scores were collapsed to form statistically distinct low (score <3; 87 cases of 17,326), moderate (score 3-5; 63 cases of 4667), and high (score 6+; 18 cases of 401) risk groups. These groups corresponded to cumulative incidences in CCSS of kidney failure by age 40 of 0.6% (95% CI 0.4-0.7%), 2.3% (95% CI 1.6-3.2%), and 9.4% (95% CI 4.4-16.7%), compared with 0.2% (95% CI 0.1-0.5%) among siblings. Conclusions: Using readily available information, we were able to identify low, moderate, and high risk groups for developing kidney failure following treatment for childhood cancer. These prediction models may help guide screening and interventional strategies for higher risk survivors.[Table: see text]
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 | 0,018 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».