一种机器学习方法来评估一致性和可重复性:在三个移植时代的移植生存的应用

科学领域:

• 腎科和移植醫學 腎科和移植醫學
• 生物统计学和机器学习
• 医疗信息学 医疗信息学

背景情况:

• 在南非 (1966-2014) 的移植是基于免疫抑制疗法的三个时代:前环素 (CYA),CYA和新一代 (New-Gen).
• 影响移植失败的因素在这些不同的治疗时代可能有很大差异.
• 机器学习 (ML) 模型可以评估预测随时间推移的移植存活动态的一致性和可重复性.

研究的目的:

• 评估9个ML算法的有效性,在预测10年移植存活的三个定义的移植时代.
• 确定ML模型在预测移植存活中的一致性和可重复性.
• 在不同免疫抑制疗法时代中确定影响移植失败的关键因素.

主要方法:

• 使用历史移植数据开发并内部验证了9个ML算法.
• 使用接收器运行特征 (ROC) 曲线下的面积 (AUC) 和其他指标评估预测性能.
• 利用本地可解释的模型不可知解释 (LIME) 和对模型解释和特征分析的变量重要性.

主要成果:

• 移植失败率从41.5% (CYA前) 降至15.1% (新一代).
• 整体模型,特别是额外的树木,在所有时代都表现出高且一致的预测准确性 (AUC 0.95-0.97).
• 接受者和捐赠者的年龄是移植失败的一致预测因素,而其他因素,如GFR和种族,则显示出特定时代的重要性.

结论:

• 使用ML分析移植后的结果对于识别减轻移植失败的特定时代因素至关重要.
• 开发的ML框架为未来的研究和临床决策提供了基础.
• 医生可以使用这些模型来识别患有移植失败风险较高的患者.