Improving the Model for End‐Stage Liver Disease with sodium by incorporating kidney dysfunction types
Notice bibliographique
Résumé
Abstract Background and Aims We investigated the impact of the inclusion of kidney dysfunction type on the discrimination and calibration of the Model for End‐Stage Liver Disease with sodium (MELD‐Na‐KT) score. Approach and Results We included all adults listed for ≥90 days without exception points from January 1, 2008, through December 31, 2018. We defined kidney dysfunction types as follows: acute kidney disease (AKD; an increase of ≥0.3 mg/dL or ≥50% in serum creatinine in the last 7 days or fewer than 72 days of hemodialysis), chronic kidney disease (CKD; an estimated glomerular filtration rate <60 ml/min/1.73 m 2 for 90 days or ≥72 days of hemodialysis), AKD on CKD (met both definitions), or none (met neither definition). We then developed and validated a multivariable survival model with follow‐up beginning at the first assessment after 90 days from waitlist registration and ending at the time of death, waitlist removal, or 90 days from enrollment in this study. The predictor variables were MELD‐Na and the derived MELD‐Na‐KT model. In the derivation cohort, kidney dysfunction type was significantly associated with waitlist mortality after controlling for MELD‐Na. There was a significant linear interaction between kidney dysfunction type and MELD‐Na score. In the validation cohort, we saw an improvement in the discrimination of the model with an increase in the c‐index from 0.76 with MELD‐Na to 0.78 with MELD‐Na‐KT ( p = 0.002) and a net reclassification index of 10.8% (95% CI, 1.9%–11.4%). The newly derived MELD‐Na‐KT model had lower Brier scores (MELD‐Na‐KT 0.042 vs. MELD‐Na 0.053). Conclusions This study demonstrates the feasibility and the potential for objectively defined kidney dysfunction types to enhance the prognostication of waitlist mortality provided by the MELD‐Na score.
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 ».