A first-in-human study of quantitative ultrasound to assess transplant kidney fibrosis
Notice bibliographique
Résumé
Kidney transplantation is the optimal treatment for renal failure. In the United States, a biopsy at the time of organ procurement is often used to assess kidney quality to decide whether it should be used for transplant. This assessment is focused on renal fibrotic burden, because fibrosis is an important measure of irreversible kidney injury. Unfortunately, biopsy at the time of transplant is plagued by problems, including bleeding risk, inaccuracies introduced by sampling bias and rapid sample preparation, and the need for round-the-clock pathology expertise. We developed a quantitative algorithm, called renal H-scan, that can be added to standard ultrasound workflows to quickly and noninvasively measure renal fibrotic burden in preclinical animal models and human transplant kidneys. Furthermore, we provide evidence that biopsy-based fibrosis estimates, because of their highly localized nature, are inaccurate measures of whole-kidney fibrotic burden and do not associate with kidney function post-transplant. In contrast, we show that whole-kidney H-scan fibrosis estimates associate closely with post-transplant renal function. Taken together, our data suggest that the addition of H-scan to standard ultrasound workflows could provide a safe, rapid and easy-to-perform method for accurate quantification of transplant kidney fibrotic burden, and thus better prediction of post-transplant renal outcomes.
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) | 0,001 | 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 | 0,001 |
| 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 ».