Assessing survival post‐kidney transplantation in Australia: A multivariable prediction model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIM: Kidney transplantation remains the preferred standard of care for patients with kidney failure. Most patients do not access this treatment and wide variations exist in which patients access transplantation. We sought to develop a model to estimate post-kidney transplant survival to inform more accurate comparisons of access to kidney transplantation. METHODS: Development and validation of prediction models using demographic and clinical data from the Australia and New Zealand Dialysis and Transplant Registry. Adult deceased donor kidney only transplant recipients between 2000 and 2020 were included. Cox proportional hazards regression methods were used with a primary outcome of patient survival. Models were evaluated using Harrell's C-statistic for discrimination, and calibration plots, predicted survival probabilities and Akaike Information Criterion for goodness-of-fit. RESULTS: The model development and validation cohorts included 11 302 participants. Most participants were male (62.8%) and Caucasian (79.2%). Glomerulonephritis was the most common cause of kidney disease (45.6%). The final model included recipient, donor, and transplant related variables. The model had good discrimination (C-statistic, 0.72; 95% confidence interval (CI) 0.70-0.74 in the development cohort, 0.70; 95% CI 0.67-0.73 in the validation cohort and 0.72; 95% CI 0.69-0.75 in the temporal cohort) and was well calibrated. CONCLUSION: We developed a statistical model that predicts post-kidney transplant survival in Australian kidney failure patients. This model will aid in assessing the suitability of kidney transplantation for patients with kidney failure. Survival estimates can be used to make more informed comparisons of access to transplantation between units to better measure equity of access to organ transplantation.
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.
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 | 0,000 |
| 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 découle