Archetypal analysis of deceased donor kidneys: A molecular approach for posttransplant outcomes
Notice bibliographique
Résumé
Donor kidney tissue-based transcriptomics may represent a new dimension for the prediction of kidney transplant outcomes. In this prospective, single-center study, 276 kidneys from 174 deceased brain-death donors were assessed by microarrays to identify phenotypes of procurement biopsies. Molecular classifiers (extreme gradient boosting, logistic, and Poisson regression) with 10-fold cross-validation were employed to categorize donors based on clinical variables (age, body mass index, hypertension, expanded criteria donor kidney) and histologic scores (vascular fibrous intimal thickening, interstitial fibrosis, tubular atrophy, arteriolar hyaline thickening). Archetypal analysis and linear mixed model were applied to determine molecular phenotypes and their association with 1-year posttransplant estimated glomerular filtration rate (eGFR) in 234 donor kidneys. Three molecular archetypes were identified. The "ideal" archetype (median donor age 42 years, low Kidney Donor Risk Index [KDRI], minimal chronic histologic changes) was associated with the highest 1-year eGFR, whereas the "marginal" archetype (68 years, extensive chronic changes, high KDRI) was associated with the lowest one. The "intermediate" archetype yielded better 1-year eGFR despite donor profiles similar to the marginal group. Although KDRI predicted 1-year eGFR, adding molecular archetypes improved model performance (Akaike Information Criterion [AIC] 80.0 vs 83.7; P < .05). External validation in an independent data set (n = 174, GSE147451) confirmed the predictive value of the model. Molecular profiling of procurement biopsies may help to identify donor kidneys with higher posttransplant eGFR.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».