Validation of the Toronto recurrence inference using machine-learning for post-transplant hepatocellular carcinoma model
Notice bibliographique
Résumé
BACKGROUND: Organ shortages require prioritizing hepatocellular carcinoma (HCC) patients with the highest survival benefit for allografts. While traditional models like AFP, MORAL, and HALT-HCC are commonly used for recurrence risk prediction, the TRIUMPH model, which uses machine learning, has shown superior performance. This study aims to externally validate the model. METHODS: The cohort included 2844 HCC patients who underwent liver transplantation at six international centers from 2000-2022. The TRIUMPH model utilized a regularized Cox proportional hazards approach with a penalty term for coefficient adjustment. Discrimination was assessed using the c-index, and clinical utility was evaluated via decision curve analysis. RESULTS: The most common liver diseases are hepatitis C (49%) and hepatitis B (27%). At listing, 84% meets the Milan criteria, and 91% are within criteria at transplant. Median model for end-stage liver disease score is 10 (IQR:8-14), alpha-fetoprotein level 8 ng/mL (IQR:4-25), and tumor size 2 cm (IQR:1.1-3.0). Living donor grafts are used in 24% of cases. Recurrence rate is 9.1% with a median time to recurrence of 17.5 months. Recurrence-free survival rates at 1/3/5 years are 95.7%/89.5%/87.7%, respectively. The TRIUMPH model achieves the highest c-index (0.71), outperforming MORAL (0.61, p = 0.049) and AFP (0.61, p = 0.04), though not significantly better than HALT-HCC (0.67, p = 0.28). TRIUMPH shows superior clinical utility up to a threshold of 0.6. CONCLUSIONS: The TRIUMPH model demonstrates good accuracy and clinical utility in predicting post-transplant HCC recurrence. Its integration into organ allocation could improve transplantation 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 | 0,000 |
| 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 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 ».