在肝移植后预测移植缺陷方面,LightGBM优于其他机器学习技术:通过大规模分析创建预测模型

科学领域:

• 移植医学 移植医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 移植缺陷是肝移植 (LTx) 中的一贯挑战.
• 传统的LTx风险评分具有有限的预测准确性.
• 机器学习 (ML) 在LTx预测中的潜力不确定,尽管在其他移植领域取得了成功.

研究的目的:

• 评估ML模型对肝移植移植移植失败的预测局限性.
• 在LTx领域复制之前的心脏移植ML研究的方法.

主要方法:

• 使用了UNOS STAR数据库 (2010-2020年64,384名成年LTx患者).
• 采用了梯度增强模型 (XGBoost,LightGBM) 和后勤回归.
• 评估了使用混合和滚动交叉验证 (CV) 的14,30和90天移植失败的预测.

主要成果:

• 在混合CV中,LightGBM在14,30和90天的移植失败预测 (.740, .722, .700) 中实现了最高的AUC.
• 在滚动CV中的所有ML算法中,模型准确性下降,表明对时间变化的敏感性.
• 关键预测因素包括总胆红素,病情,接受者的年龄和供体AST.

结论:

• 轻GBM显示了增强LTx后的短期移植存活预测的潜力.
• 由于医疗实践和选择标准的不断变化,不断评估模型是必不可少的.
• 未来的研究应该涉及时间变化,临床影响和模型透明度.