在已故捐赠者中进行肝硬化症的非侵入性评估

科学领域:

• 肝病学 肝病学是一种肝病学.
• 移植手术 移植手术
• 医学机器学习 医学机器学习

背景情况:

• 肝脏分配政策的变化需要有效识别合适的捐赠器官.
• 麦克罗骨质炎是影响肝移植质量和移植结果的关键因素.
• 准确评估捐赠肝脏肥胖症对于优化器官利用至关重要.

研究的目的:

• 评估现有的非侵入性肝硬化症测试的预测准确性.
• 评估一种基于机器学习的新型模型,用于预测已故捐赠者的巨乳瘤 (> 30%).
• 将这些方法与肝活检进行比较,以确定移植适合性.

主要方法:

• 将以前验证的非侵入性测试与机器学习模型进行比较.
• 使用曲线下的面积 (AUC),灵敏度,特异性和预测值来评估预测性能.
• 在一般捐赠者群体和那些被丰富以检测巨型牛骨病的群体中进行测试.

主要成果:

• 肝硬化指数 (HSI) 显示AUC为0.56;其他非侵入性测试也产生了类似的结果.
• 机器学习模型实现了0.71的更高AUC,但没有足够的预测能力.
• 在所有测试方法中,即使在丰富的种群中,对宏骨病的预测值也很低.

结论:

• 目前的非侵入性临床评分系统和开发的机器学习模型缺乏临床实用性,无法预测显著的巨乳瘤.
• 预采购肝脏活检仍然是准确评估捐赠肝脏胆固醇症的黄金标准.
• 需要改进的方法来加强捐赠肝脏的评估,并促进公平的器官分配.