Predicting Peri-Operative Outcomes in Patients Treated with Percutaneous Thermal Ablation for Small Renal Masses: The SuNS Nephrometry Score
Notice bibliographique
Résumé
Our objective was to develop a new, simple, and ablation-specific nephrometry score to predict peri-operative outcomes and to compare its predictive accuracy to PADUA and RENAL scores. Overall, 418 patients were treated with percutaneous thermal ablation (microwave and radiofrequency) between 2008 and 2021. The outcome of interest was trifecta status (achieved vs. not achieved): incomplete ablation or Clavien-Dindo ≥ 3 complications or postoperative estimated glomerular filtration rate decrease ≥ 30%. First, we validated the discrimination ability of the PADUA and RENAL scoring systems. Second, we created and internally validated a novel scoring (SuNS) system, according to multivariable logistic regression models. The predictive accuracy of the model was tested in terms of discrimination and calibration. Overall, 89 (21%) patients did not achieve trifecta. PADUA and RENAL scores showed poor ability to predict trifecta status (c-indexes 0.60 [0.53-0.67] and 0.62 [0.55-0.69], respectively). We, therefore, developed the SuNS model (c-index: 0.74 [0.67-0.79]) based on: (1) contact surface area; (2) nearness to renal sinus or urinary collecting system; (3) tumour diameter. Three complexity classes were created: low (3-4 points; 11% of no trifecta) vs. moderate (5-6 points; 30% of no trifecta) vs. high (7-8 points; 65% of no trifecta) complexity. Limitations include the retrospective and single-institution nature of the study. In conclusion, we developed an immediate, simple, and reproducible ablation-specific nephrometry score (SuNS) that outperformed PADUA and RENAL nephrometry scores in predicting peri-operative outcomes. External validation is required before daily practice implementation.
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 | 0,001 |
| 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 ».