Abstract 25 ECTmatch: Optimizing Small-Scale Cord Blood Banking Through HLA Analysis
Notice bibliographique
Résumé
Abstract Introduction Cord blood (CB) banks have had to rely on large inventories of CB units to try to serve the largest possible proportion of the population, all the while prioritizing collection of non-Caucasian ethnic groups. However, due to the high linkage disequilibrium of HLA genes and the high frequency of several HLA alleles in the population, CB banks contain hundreds of CB units that could be matched to the same patients, making the inventory somewhat redundant from a clinical standpoint. Objective ExCellThera developed ECTmatch, an algorithm dedicated to optimizing the selection of CB units based on in-depth HLA analysis in order to maximize the efficiency of the bank to suitably match the largest proportion of subjects within a small pool of donors. Methods The performance of ECTmatch was evaluated in a simulation aiming to select 100 CB units from the Héma-Québec CB bank that satisfied an arbitrary minimal cell content criteria of 120 × 107 TNC and 6 × 106 CD34+ cells (n = 2,987). Selection was performed to optimize matching for the Quebec population, with a minimal HLA-match of 5/8 for HLA-A, -B, -C, and -DRB1. Results ECTmatch provides a suitably matched donor for 71.5% of the Quebec population, compared with only 45.0% (±2.4%) with random selection. Because patients who require a CB transplant tend to have rarer HLAs, the performance of ECTmatch was evaluated for this specific subset of patients (n = 62). Again, ECTmatch outperformed random selection, by providing a donor for 54.8% of patients, compared with only 29.9% with random selection. Finally, while ECTmatch was developed to optimize CB selection specifically for the Quebec population, it still outperformed random selection for subjects from the other Canadian provinces or the USA. Discussion By selecting CB units based on HLA profiles, ECTmatch allows the creation of a highly useful inventory with a very low number of CB units. This approach to small-scale CB banking can be adapted to different population subsets and could be used to select a subset of CB units for pre-release for immediate clinical availability or for the creation of a pre-expanded CB inventory with maximal population coverage.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,005 | 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 ».