A machine-learning approach to human ex vivo lung perfusion predicts transplantation outcomes and promotes organ utilization
Notice bibliographique
Résumé
Ex vivo lung perfusion (EVLP) is a data-intensive platform used for the assessment of isolated lungs outside the body for transplantation; however, the integration of artificial intelligence to rapidly interpret the large constellation of clinical data generated during ex vivo assessment remains an unmet need. We developed a machine-learning model, termed InsighTx, to predict post-transplant outcomes using n = 725 EVLP cases. InsighTx model AUROC (area under the receiver operating characteristic curve) was 79 ± 3%, 75 ± 4%, and 85 ± 3% in training and independent test datasets, respectively. Excellent performance was observed in predicting unsuitable lungs for transplantation (AUROC: 90 ± 4%) and transplants with good outcomes (AUROC: 80 ± 4%). In a retrospective and blinded implementation study by EVLP specialists at our institution, InsighTx increased the likelihood of transplanting suitable donor lungs [odds ratio=13; 95% CI:4-45] and decreased the likelihood of transplanting unsuitable donor lungs [odds ratio=0.4; 95%CI:0.16-0.98]. Herein, we provide strong rationale for the adoption of machine-learning algorithms to optimize EVLP assessments and show that InsighTx could potentially lead to a safe increase in transplantation rates.
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 | 0,004 | 0,007 |
| 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 | 0,001 |
| 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 ».