Unboxing iBox: A Critical Appraisal of Its Measurement Properties for Predicting Kidney Allograft Failure
Notice bibliographique
Résumé
Accurate prediction of kidney allograft failure is key to guiding posttransplant care and stratifying trial participants. The iBox model estimates death-censored graft failure risk at 3, 5, and 7 years posttransplant using demographic, functional, immunologic, and histologic variables. It has been externally validated and to our knowledge, is the first transplant risk score to receive regulatory qualification as a surrogate trial endpoint. This narrative review critically appraises iBox using the Kirschner and Guyatt framework for clinical indices and Steyerberg's framework for predictive models. iBox demonstrates strong sensibility, excellent discrimination (C-index ∼0.81), good calibration, and robust performance across known subgroups. Criterion and construct validity are strong, although several aspects warrant further exploration to support broader implementation. Item reduction and model selection methods were not fully detailed, and key inputs such as biopsy findings and donor-specific antibody levels may vary in availability or be subject to measurement challenges. Some predictors reflect late-stage pathology, which may limit opportunities for early intervention. Formal evaluation of reliability, responsiveness, and interpretability-particularly for longitudinal score changes-remains an important area for future research. By systematically assessing iBox's measurement properties, this review supported its thoughtful implementation and highlighted future research priorities as iBox is integrated into posttransplant care and trial design.
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 | 0,255 | 0,444 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».