机器学习方法对人类的ex vivo肺 perfusion 进行预测移植结果,并促进器官利用
Andrew T Sage1,2,3,4, Laura L Donahoe2,3, Alaa A Shamandy5,6
1Latner Thoracic Research Laboratories, Toronto General Hospital Research Institute, University Health Network, Toronto, ON, Canada.
Nature communications
|August 9, 2023
概括
一个新的机器学习模型,InsighTx,使用ex vivo肺 perfusion (EVLP) 数据准确预测肺移植结果. 这种人工智能工具增强了供体肺部的选择,可能会增加安全移植率.
科学领域:
- 移植手术 移植手术
- 人工智能在医学中的应用
- 医疗数据分析 医学数据分析
背景情况:
- 活体肺输液 (ex vivo lung perfusion,简称EVLP) 对于评估供体肺部至关重要,但产生了大量的数据.
- 解释复杂的EVLP数据以预测移植结果仍然具有挑战性.
- 将人工智能 (AI) 整合到 EVLP 评估中是一个尚未满足的需求.
研究的目的:
- 开发和验证一种机器学习模型 (InsighTx),用于预测肺移植后的结果.
- 评估模型在识别合适和不合适的供体肺部方面的表现.
- 评估InsighTx对供体肺部选择的临床影响.
主要方法:
- 开发InsighTx机器学习模型,使用725个活体肺 perfusion 病例.
- 模型在独立测试数据集上的验证.
- 追溯,盲目的实施研究,涉及EVLP专家.
主要成果:
- 在预测移植结果方面,InsightTx取得了很高的准确性 (AUROC:75-85%).
- 该模型在识别不适合肺部方面表现出色 (AUROC:90%) 和良好结果 (AUROC:80%).
- 临床实施表明,InsighTx显著增加了移植合适肺部的可能性 (OR=13) 并减少了不合适的移植 (OR=0.4).
结论:
- 机器学习算法,如InsighTx,可以优化EVLP评估.
- InsighTx显示了安全增加肺移植率的潜力.
- 人工智能驱动的决策支持可以改善捐赠肺的利用率和患者的治疗结果.
更多相关视频
08:49Author Spotlight: Enhancing Graft Viability Assessment Through Quantitative Metrics and Innovative Reservoir Systems
Published on: August 2, 2024
806
08:59Method of Isolated Ex Vivo Lung Perfusion in a Rat Model: Lessons Learned from Developing a Rat EVLP Program
Published on: February 25, 2015
27.4K