Modelos predictivos para la aceptación de ofertas de riñón: desafíos y estrategias | JoVE Visualize

Área de la Ciencia:

Medicina de trasplantes
Aprendizaje automático en la atención médica
Modelado predictivo

Sus antecedentes:

La predicción de la aceptación de ofertas de órganos es un desafío debido al alto volumen, los datos desequilibrados (más rechazos que aceptaciones) y la información limitada sobre la toma de decisiones humanas.
Los modelos existentes de aceptación de ofertas se utilizan para la evaluación de programas y el desarrollo de políticas, pero las mejores prácticas y las líneas de base no están bien establecidas.
Este estudio investiga el impacto de varios modelos de aprendizaje automático, conjuntos de características y procedimientos de muestreo en la predicción de la aceptación de ofertas de órganos.

Objetivo del estudio:

Comparar el rendimiento de diferentes modelos de aprendizaje automático para predecir la aceptación de ofertas de órganos de riñón.
Evaluar el impacto de la incorporación de características adicionales, como la logística de transporte, en el rendimiento del modelo.
Evaluar la efectividad de diferentes procedimientos de muestreo de datos para mejorar la precisión de la predicción.

Principales métodos:

Se evaluaron múltiples modelos de aceptación de ofertas de riñón, desde regresión logística hasta árboles de gradiente potenciado (XGBoost).
Se entrenaron modelos utilizando características de donantes y candidatos, y luego se aumentó el modelo de mejor rendimiento con características relacionadas con el transporte y procedimientos de muestreo.
Se comparó el rendimiento del modelo utilizando métricas como la precisión promedio y el AUROC (Área bajo la curva característica operativa del receptor).

Principales resultados:

El modelo XGBoost demostró la mejor mejora de rendimiento sobre el modelo de regresión logística de referencia (la precisión promedio aumentó de 0.0645 a 0.0907).
La incorporación de características relacionadas con el transporte mejoró aún más el rendimiento del modelo (la precisión promedio alcanzó 0.0940).
No se observaron diferencias sustanciales en el rendimiento según los procedimientos de muestreo utilizados.

Conclusiones:

Los modelos avanzados de aprendizaje automático y los datos no clínicos, como las distancias de transporte, pueden mejorar la predicción de la aceptación de ofertas de órganos.
Se observaron compensaciones significativas entre precisión y exhaustividad, indicadas por bajos puntajes de precisión promedio a pesar de altos AUROC.
Los modelos actuales, incluso los optimizados, pueden no ofrecer ventajas claras sobre las políticas de asignación de órganos existentes, lo que requiere una mayor investigación para la aplicabilidad clínica.