Abstract 11567: Congenital Heart Disease Classification Improves SRTR Risk Estimation of Waitlist and Early Post-Transplant Mortality for Pediatric Heart Transplantation
Notice bibliographique
Résumé
Introduction: Risk estimation for waitlist and 1-year post-transplant mortality utilized by SRTR for pediatric heart transplantation dichotomizes patients based upon presence or absence of congenital heart disease (CHD). Hypothesis: Current SRTR risk estimations can be improved by adding further detail in categorization of CHD. Methods: A retrospective analysis of the Pediatric Heart Transplant Society (PHTS) database of pediatric (<18yo) heart transplant listings from 2010 to 2020 was performed, excluding patients listed for retransplantation. Cox hazard models were developed for waitlist mortality during the first year following listing (WaitDeath) and one year post-transplant mortality (TxDeath). The initial model was constructed using covariates included in the current SRTR model and a second model was developed by adding CHD classifications (SRTR+) including: single ventricle vs. biventricular heart disease, ventricular morphology, and surgical interventions. Results: The WaitDeath model included 5,790 patients in which 722 of which died. In the SRTR WaitDeath model, CHD had a HR of 1.8 (95%CI of 1.4-2.3) compared to cardiomyopathy patients. Where as in SRTR+ model, patients with different types of CHD had HR’s that ranged from 1.5 to 2.1 (Table 1). The TxDeath model included 4,185 patients in which 304 which died. (Table 1) In the SRTR model of TxDeath, patients with CHD had a HR of 3.9 (2.9-5.1) compared to cardiomyopathy patients, whereas in the SRTR+ model patients with different types of CHD had HRs that ranged from 2.4-5.3 (Table 1). Conclusions: Inclusion of granular CHD data may improve waitlist and post-transplant mortality risk estimation in pediatric heart transplant patients, allowing for more refinement in allocation policies and understanding of difference in post-transplant outcomes across sites. This data supports further refinement of current SRTR risk adjustment models.
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 | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».