使用人工智能预测活体捐赠者移植结果 (L-TOP)

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 移植 移植 移植 移植
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 准确预测活体捐赠者移植结果对于临床决策和捐赠者选择至关重要.
• 目前的预测模型缺乏足够的区分和校准能力,需要改进的风险分层工具.

研究的目的:

• 评估各种人工智能 (AI) 算法的有效性,以提高活体捐赠者移植的风险分层指数.
• 将人工智能模型的性能与现有的预测工具进行比较,例如活捐赠者概况指数 (LKDPI).

主要方法:

• 从66914个活体捐赠者脏移植中分析了移植前的变量,使用来自美国器官共享网络数据库的数据.
• 随机化数据用于培训 (80%) 和测试 (20%) 集,重点关注死亡审查的移植存活率作为主要结果.
• 用歧视指标 (CTD,AUC) 和校准 (IBS) 评估四种机器学习模型,并对临床实用性评估进行决策曲线分析.

主要成果:

• 考克斯深层混合物模型表现出优异的区分性能 (AUC 0.70在5年) 和良好的校准 (IBS 0.09).
• 这种AI模型在5年内实现了0.70的时间依赖一致性指数 (CTD),显著超过了LKDPI (CTD0.56).
• 决策曲线分析表明,与基于LKDPI的策略相比,人工智能模型具有净临床益处.

结论:

• 基于人工智能的深层考克斯混合模型,活体捐赠者脏移植结果预测,在预测移植存活方面超过了当前的模型.
• 这种先进的模型为优化活体捐赠者选择和改善移植决策提供了潜力.
• 该模型可能有助于提高配对交换计划中的结果.