Improving the histologic detection of donor-specific antibody-negative antibody-mediated rejection in kidney transplants
Notice bibliographique
Résumé
Emerging treatments for antibody-mediated rejection (ABMR, NEJM391 (2):122-132) have increased the importance of ABMR detection when donor-specific antibody (DSA) is negative. We addressed this issue in the Trifecta-Kidney study (ClinicalTrials.gov #NCT04239703) using 3 centralized tests in 690 kidney transplant biopsies: DSA (One Lambda Inc), blood donor-derived cell-free DNA (dd-cfDNA, Prospera™ test, Natera, Inc), and molecular biopsy assessment (MMDx). We used an "AutoBanff 2022" algorithm to model the impact of alternative DSA interpretations on the histologic diagnosis of DSA-negative ABMR following Banff guidelines, including agreement with dd-cfDNA and molecular ABMR. Lowering MFI cutoffs for DSA positivity did not improve the detection of DSA-negative ABMR. However, simply calling all DSA as positive allowed the Banff 2022 guidelines to identify 46% more ABMR cases with no measurable conventional DSA, and per net reclassification improvement increased agreement between histologic diagnoses and both dd-cfDNA (P = 7.72E-7) and molecular ABMR (P = 7.69E-7). New ABMR cases were as strongly positive for dd-cfDNA and molecular ABMR as those found using the conventional DSA interpretation. A validation set analysis using INTERCOMEX study data (ClinicalTrials.gov NCT#01299168) confirmed these findings and found that the new DSA-negative ABMR cases identified by calling all DSA-positive had the same risk for graft loss as those found with conventional DSA interpretation. Trifecta-Kidney Study ClinicalTrials.gov #NCT04239703.
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 | 0,029 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».