使用机器学习预测儿科移植患者的移植存活率

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
• 医学中的人工智能.

背景情况:

• 在移植中移植存活对于降低死亡率至关重要.
• 人工智能 (AI) 提供对影响移植结果的临床因素的公正评估.
• 了解这些因素对于改善移植长寿至关重要,特别是在儿科病例中.

研究的目的:

• 利用机器学习 (ML) 识别影响儿科移植接受者的移植存活的关键因素.
• 通过使用全面的数据集,开发对植入物生存的预测模型.

主要方法:

• 对465名儿科脏移植接受者 (1994-2021) 的回顾性分析,随访时间>12个月.
• 应用ML算法 (Naive Bayes,物流回归,SVM,多层感知子,XGBoost) 来预测移植的生存.
• 使用最近邻近方法计算数据,并通过精度和F1分数对模型进行评估.

主要成果:

• 通过ML识别的移植存活的关键预测因素包括抗体介导排斥,急性细胞排斥,估计在3年和5年内球过率 (eGFR),移植前腹膜透析和尸体供体.
• 后勤回归和支持矢量机 (SVM) 模型表现出可比的性能.
• 实现了高模型性能,F1得分为91.9%,精度为96.5%.

结论:

• 机器学习有效地识别了影响移植移植存活的重要因素.
• 这些发现可以为创建移植前风险分层工具提供信息.
• 进一步的研究可以扩展这些模型,以生成个性化移植策略的预测风险地图.