Predicting 1-Year Mortality After Pediatric Heart Transplantation Using Machine Learning
Notice bibliographique
Résumé
BACKGROUND: Accurate prediction of post-heart transplant (HT) mortality is essential for donor selection, perioperative management, and equitable organ allocation in children. Traditional risk models often fail to capture nonlinear and temporally dynamic patterns, whereas machine learning (ML) approaches may improve predictive precision across eras. OBJECTIVES: The purpose of this study was to systematically evaluate ML-based models predicting 1-year mortality after pediatric HT, synthesize pooled diagnostic performance, and identify temporal shifts in major risk predictors. METHODS: PubMed, Scopus, and Embase were searched through December 2024. Five studies (n = 33,286) applying ML methods-including semisupervised forests, ensemble algorithms, SHapley Additive exPlanations-driven models, and Bayesian-tuned approaches-met inclusion criteria. Performance metrics were pooled using random-effects meta-analysis. Risk of bias was assessed with the Newcastle-Ottawa Scale, Prediction model Risk Of Bias ASsessment Tool, and Deeks' funnel plot asymmetry test. Era-stratified (1987-2000, 2001-2010, 2011-2020) Kaplan-Meier analyses examined survival and risk shifts, accounting for overlapping United Network of Organ Sharing cohorts with sensitivity analyses. RESULTS: = 72%-88%), reflecting differences in feature selection and validation. Temporal analyses showed a shift from ischemic time and pulmonary vascular resistance to extracorporeal membrane oxygenation/ventricular assist device dependence, donor-recipient mismatch, and socioeconomic factors. CONCLUSIONS: ML-based models outperform traditional approaches and capture evolving risk profiles across eras, supporting their integration into pediatric HT risk stratification to enhance accuracy and equity in transplant decision-making.
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 ».