Enhancing Organ Allocation Efficiency: A Pilot Study Evaluating Artificial Intelligence-Assisted Assessment of Donor Kidney Pathology
Notice bibliographique
Résumé
PURPOSE: The purpose of this study is to evaluate the effectiveness of an artificial intelligence (AI)-assisted review (AAR) system in improving diagnostic accuracy, efficiency, and concordance with expert assessments during the evaluation of donor kidney viability. METHODS: Sixty H&E-stained frozen-section kidney biopsy slides from explant kidneys obtained for organ donation were evaluated. A board-certified renal pathologist established ground truth (GT) through manual digital evaluation on the Techcyte Fusion Platform. The slides were independently reviewed by an AI algorithm, a board-certified pathologist (Reviewer 2 (R2)), and a board-certified transplant surgeon (Reviewer 1 (R1)). After a washout period, AI-assisted reads were performed. The performance of AAR and manual digital review (MDR) was compared to the GT for total and sclerotic glomeruli (SG) counts, as well as concordance with kidney viability thresholds (using a 20% SG cutoff rate). Secondary outcomes included comparisons of review times and concordance rates for AAR, MDR, and AI analysis alone with the GT. RESULTS: AAR demonstrated concordance with GT across parameters. For R1, coefficient of determination (COD) values for SG counts improved with AAR (0.833) compared to MDR (0.81). Agreement at the 20% SG threshold for kidney viability was 98.33% for both AAR and MDR. AAR reduced mean review times (minutes) by 54.83% compared to MDR, with per-slide review times decreasing from 17:09 (MDR) to 8:35 (AAR). Pearson correlation coefficients (PCC) and concordance correlation coefficients (CCC) for AAR were generally higher than MDR, particularly for the percentage of SG, indicating improved alignment with GT. Analyses revealed no systematic bias, with AAR aligning more closely with GT compared to MDR for both reviewers. CONCLUSION: The Techcyte algorithm reduces review time while maintaining accuracy and concordance with experts, promoting AI adoption to improve workflow efficiency and expedite transplantation decisions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».