A model including standardized weight improved predicting waiting list mortality in adolescent liver transplant candidates: A US national study
Notice bibliographique
Résumé
The Model for End-Stage Liver Disease (MELD) score has been employed to identify adolescents eligible for liver transplantation since 2004. However, the optimal model for prioritizing adolescent candidates is uncertain. In our study, we aimed at evaluating the value of adding anthropometric variables to liver transplantation allocation models among adolescents. We conducted a retrospective cohort study using the data from the Organ Procurement and Transplantation Network Standard Transplant Analysis and Research to identify adolescent patients registered on the liver transplant waiting list in the United States between January 1, 2003, and December 31, 2022. Adolescents (12-17 y) who were listed for their first liver transplantation were included. We evaluated the performance of different models including pediatric end-stage liver disease with Na and creatinine, MELD, and MELD 3.0. Furthermore, we evaluated whether adding anthropometric variables ( z -score for weight and height) would improve the models' performance for our primary outcome (mortality at 90 days after listing). We identified 1421 eligible adolescent patients. Adding a z -score of weight (MELD-TEEN) improved the performance and discrimination of the MELD score. The final model including weight z -score (MELD-TEEN) had better discriminative power compared to MELD 3.0 and pediatric end-stage liver disease with Na and creatinine in the overall cohort and in different age groups (ages 12-14 and 15-17). MELD-TEEN could improve the accuracy of allocation of liver transplants among adolescents by incorporating the weight z -score compared to MELD 3.0 and pediatric end-stage liver disease with Na and creatinine.
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 | 0,001 | 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 | 0,000 | 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 ».