Redefining the molecular rejection states in 3230 heart transplant biopsies: Relationships to parenchymal injury and graft survival
Notice bibliographique
Résumé
The first-generation Molecular Microscope (MMDx) system for heart transplant endomyocardial biopsies used expression of rejection-associated transcripts (RATs) to diagnose not only T cell-mediated rejection (TCMR) and antibody-mediated rejection (ABMR) but also acute injury. However, the ideal system should detect rejection without being influenced by injury, to permit analysis of the relationship between rejection and parenchymal injury. To achieve this, we developed a new rejection classification in an expanded cohort of 3230 biopsies: 1641 from INTERHEART (ClinicalTrials.gov NCT02670408), plus 1589 service biopsies added to improve the power of the machine learning algorithms. The new system used 6 rejection classifiers instead of RATs and generated 7 rejection archetypes: No rejection, 48%; Minor, 24%; TCMR1, 2.3%; TCMR2, 2.7%; TCMR/mixed, 2.7%; early-stage ABMR, 3.9%; and fully developed ABMR, 16%. Using rejection classifiers eliminated cross-reactions with acute injury, permitting separate assessment of rejection and injury. TCMR was associated with severe-recent injury and late atrophy-fibrosis and rarely had normal parenchyma. ABMR was better tolerated, seldom producing severe injury, but in later biopsies was often associated with atrophy-fibrosis, indicating long-term risk. Graft survival and left ventricular ejection fraction were reduced not only in hearts with TCMR but also in hearts with severe-recent injury and atrophy-fibrosis, even without rejection.
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 ».