
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.creator | Quinino, Raquel M. | - |
| Autor(es): dc.creator | Agena, Fabiana | - |
| Autor(es): dc.creator | Modelli De Andrade, Luis Gustavo | - |
| Autor(es): dc.creator | Furtado, Mariane | - |
| Autor(es): dc.creator | Chiavegatto Filho, Alexandre D.P. | - |
| Autor(es): dc.creator | David-Neto, Elias | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T20:42:26Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T20:42:26Z | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2023-06-01 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1097/TP.0000000000004510 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/249087 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/249087 | - |
| Descrição: dc.description | Background. After kidney transplantation (KTx), the graft can evolve from excellent immediate graft function (IGF) to total absence of function requiring dialysis. Recipients with IGF do not seem to benefit from using machine perfusion, an expensive procedure, in the long term when compared with cold storage. This study proposes to develop a prediction model for IGF in KTx deceased donor patients using machine learning algorithms. Methods. Unsensitized recipients who received their first KTx deceased donor between January 1, 2010, and December 31, 2019, were classified according to the conduct of renal function after transplantation. Variables related to the donor, recipient, kidney preservation, and immunology were used. The patients were randomly divided into 2 groups: 70% were assigned to the training and 30% to the test group. Popular machine learning algorithms were used: eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine, Gradient Boosting classifier, Logistic Regression, CatBoost classifier, AdaBoost classifier, and Random Forest classifier. Comparative performance analysis on the test dataset was performed using the results of the AUC values, sensitivity, specificity, positive predictive value, negative predictive value, and F1 score. Results. Of the 859 patients, 21.7% (n = 186) had IGF. The best predictive performance resulted from the eXtreme Gradient Boosting model (AUC, 0.78; 95% CI, 0.71-0.84; sensitivity, 0.64; specificity, 0.78). Five variables with the highest predictive value were identified. Conclusions. Our results indicated the possibility of creating a model for the prediction of IGF, enhancing the selection of patients who would benefit from an expensive treatment, as in the case of machine perfusion preservation. | - |
| Descrição: dc.description | Renal Transplant Service Hospital das Clinicas University of São Paulo School of Medicine | - |
| Descrição: dc.description | Department of Internal Medicine Unesp State University of São Paulo | - |
| Descrição: dc.description | Department of Epidemiology School of Public Health University of São Paulo | - |
| Descrição: dc.description | Department of Internal Medicine Unesp State University of São Paulo | - |
| Formato: dc.format | 1380-1389 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Transplantation | - |
| ???dc.source???: dc.source | Scopus | - |
| Título: dc.title | A Machine Learning Prediction Model for Immediate Graft Function After Deceased Donor Kidney Transplantation | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: