预测非常早期的亚临床排斥与机器学习在移植中的移植

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 移植免疫学 移植免疫学
• 生物医学数据科学 生物医学数据科学

背景情况:

• 协议活检对于评估移植异种移植状态至关重要.
• 识别早期亚临床排斥 (SCR) 的高风险患者对于尽量减少活检并发症至关重要.
• 机器学习有可能预测SCR,优化移植后监测.

研究的目的:

• 分析早期SCR的发生率和危险因素 (移植后2周内).
• 为早期的SCR开发和评估基于机器学习的预测模型.
• 确定移植接受者针对性干预的关键预测因素.

主要方法:

• 在2005年1月至2020年12月期间,对987名移植患者进行了回顾性分析.
• 使用多变量分析研究早期SCR的发病率和风险因素.
• 开发了使用后勤回归,随机森林,弹性网和极端梯度增强 (XGB) 的预测模型.

主要成果:

• 早期SCR的发生率为14.6%,边界细胞排斥是最常见的类型.
• 多变量分析确定了接受者的年龄,捐赠者的BMI,ABO不兼容性,HLA II不匹配和ATG诱导作为重要因素.
• 物流回归 (AUC=0.717) 和弹性净 (AUC=0.712) 模型显示出良好的预测性能,其中HLA II不匹配和诱导类型是关键变量.

结论:

• 早期的SCR显着与HLA II不匹配和诱导剂有关.
• 机器学习模型显示了预测移植患者早期SCR的潜力.
• 这些发现可以指导选择性协议活检指示和个性化移植后护理.