使用机器学习,最大限度地提高非定向活体肝脏捐赠者移植的效用
Kiran Bambha1,2,3, Nicole J Kim1,2, Mark Sturdevant3,4
1Division of Gastroenterology and Hepatology, Department of Medicine, University of Washington, Seattle, WA, United States.
Frontiers in immunology
|July 17, 2023
概括
优化活体捐赠者的肝脏移植需要预测模型. 机器学习模型准确地预测了移植的存活率,有助于接受者选择以获得更好的结果.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 移植手术 移植手术
- 机器学习在医学中的应用
背景情况:
- 从非定向活体肝脏捐赠者 (ND-LLD) 优化肝脏全移植分配是一个关键的挑战.
- 现有的分配系统可能无法充分考虑复杂的捐赠者-接受者相互作用.
研究的目的:
- 开发和验证机器学习模型,用于预测使用来自ND-LLD的移植物进行肝移植时的10年移植存活率.
- 在不同类型的活体供体肝移植 (右侧,左侧和左侧) 中确定移植存活的关键预测因子.
主要方法:
- 从OPTN数据库中利用了2000年至2019年间6328例活体供体肝移植 (LDLTs) 的数据.
- 构建随机森林生存模型来预测右侧,左侧和左侧移植的10年移植存活率.
- 使用C指数评估模型性能,并将预测的生存四分位数与实际结果进行比较.
主要成果:
- 在所有移植类型中,捐赠者与接受者的身体表面积比,住院患者/ICU状态,恶性诊断和瘤都是显著的预测因素.
- 胆道缩对左侧和左侧移植很重要;对右侧移植很重要的是重新移植.
- 模型表现出良好的预测准确性 (C指数从0.61到0.70) 并根据预测结果确定了不同的生存群体.
结论:
- 机器学习模型可以有效地根据预测的移植生存来分层ND-LLD的接受者.
- 这些模型有助于识别具有最佳预测结果的受益者,解决了优化全移植分配的需求.
- 强调需要精细数据和先进的建模,以改善移植结果.
