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 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».