Using Regression Equations to Enhance Interpretation of Histology Lesions of Kidney Transplant Rejection
Notice bibliographique
Résumé
BACKGROUND: The Banff system for histologic diagnosis of rejection in kidney transplant biopsies uses guidelines to assess designated features-lesions, donor-specific antibody (DSA), and C4d staining. We explored whether using regression equations to interpret the features as well as current guidelines could establish the relative importance of each feature and improve histologic interpretation. METHODS: We developed logistic regression equations using the designated features to predict antibody-mediated rejection (AMR/mixed) and T-cell-mediated rejection (TCMR/mixed) in 1679 indication biopsies from the INTERCOMEX study ( ClinicalTrials.gov NCT01299168). Equations were trained on molecular diagnoses independent of the designated features. RESULTS: In regression and random forests, the important features predicting molecular rejection were as follows: for AMR, ptc and g, followed by cg; for TCMR, t > i. V-lesions were relatively unimportant. C4d and DSA were also relatively unimportant for predicting AMR: by AUC, the model excluding them (0.853) was nearly as good as the model including them (0.860). Including time posttransplant slightly but significantly improved all models. By AUC, regression predicted molecular AMR and TCMR better than Banff histologic diagnoses. More importantly, in biopsies called "no rejection" by Banff guidelines, regression equations based on histology features identified histologic and molecular rejection-related changes in some biopsies and improved survival predictions. Thus, regression can screen for missed rejection. CONCLUSIONS: Using lesion-based regression equations in addition to Banff histology guidelines defines the relative important of histology features for identifying rejection, allows screening for potential missed diagnoses, and permits early estimates of AMR when C4d and DSA are not available.
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 | 0,001 | 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 ».