Immunologic risk stratification of pediatric heart transplant patients by combining HLA-EMMA and PIRCHE-II
Notice bibliographique
Résumé
Human leukocyte antigen (HLA) molecular mismatch is a powerful biomarker of rejection. Few studies have explored its use in assessing rejection risk in heart transplant recipients. We tested the hypothesis that a combination of HLA Epitope Mismatch Algorithm (HLA-EMMA) and Predicted Indirectly Recognizable HLA Epitopes (PIRCHE-II) algorithms can improve risk stratification of pediatric heart transplant recipients. Class I and II HLA genotyping were performed by next-generation sequencing on 274 recipient/donor pairs enrolled in the Clinical Trials in Organ Transplantation in Children (CTOTC). Using high-resolution genotypes, we performed HLA molecular mismatch analysis with HLA-EMMA and PIRCHE-II, and correlated these findings with clinical outcomes. Patients without pre-formed donor specific antibody (DSA) (n=100) were used for correlations with post-transplant DSA and antibody mediated rejection (ABMR). Risk cut-offs were determined for DSA and ABMR using both algorithms. HLA-EMMA cut-offs alone predict the risk of DSA and ABMR; however, if used in combination with PIRCHE-II, the population could be further stratified into low-, intermediate-, and high-risk groups. The combination of HLA-EMMA and PIRCHE-II enables more granular immunological risk stratification. Intermediate-risk cases, like low-risk cases, are at a lower risk of DSA and ABMR. This new way of risk evaluation may facilitate individualized immunosuppression and surveillance.
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 ».