AI-based body composition score predicts survival after liver transplantation
Notice bibliographique
Résumé
PURPOSE: Body composition has a significant role to predict survival in patients with malignant disease. This study evaluates the importance of body composition for predicting short- and long-term survival after liver transplantation. Additionally, the sex specific differences will be evaluated. METHODS: Body composition, of all patients who underwent liver transplantation between January 2011 and December 2023 with computed tomography prior liver transplantation, was assessed fully automated with AI based technique. Pre-, intra- and postoperative data were retrospectively reported. Uni- and multivariate regression analyses was performed to identify independent prognostic factors for survival. The statistical analyses was performed separately for male and female with comparison of the both groups. RESULTS: There were 346 patients (60.1%male, 39.9%female) with median age of 52.2 years (SD 10.8) included to the study. The univariate and multivariate cox regression analyses have identified the ratio of the subcutaneous fat volume to muscle volume as well as the ratio of the visceral fat volume to muscle volume as significant prognostic parameter for the overall survival. The separate analyses of the two groups show that these factors predict survival in male and female. However, visceral fat and also the ratio of FVM is significantly higher in male. CONCLUSION: Based on the results of our study we can conclude that the ratio of visceral fat volume to muscle volume (FVM-ratio) has an essential impact on overall survival after liver transplantation in male and female patients. The fully automated AI based assessment is fast, accurate and investigator independent.
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 | 0,000 | 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 | 0,000 | 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) | 0,002 | 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 ».