机器学习用于肝移植后的生存:通过时间变异特征弥合长期结果的差距
Kiruthika Balakrishnan1, Sawyer Olson2, Gyorgy Simon3
1Department of Family, Community and Health Systems Science, University of Florida, Gainesville, FL, USA.
Computer methods and programs in biomedicine
|October 5, 2024
概括
新的时间变异特征改善了长期肝移植 (LT) 生存预测. 结合这些特征的随机生存森林 (RSF) 模型优于MELD得分,为更好的患者结果提供了更好的结果.
科学领域:
- 医疗信息学 医疗信息学
- 移植医学 移植医学
- 生存分析的分析.
背景情况:
- 肝移植 (LT) 接受者的长期存活对于器官分配和死亡率评估至关重要.
- 目前的模型,如末期肝病模型 (MELD),无法充分预测LT后的生存率.
- 需要准确预测长期的LT后存活率.
研究的目的:
- 开发和评估用于肝移植后长期生存的预测模型.
- 引入新的时间变化特征,以提高预测准确度.
- 使用这些特征来比较使用这些特征的不同生存模型的性能.
主要方法:
- 使用了考克斯比例危险回归 (CoxPH),随机生存森林 (RSF) 和极端梯度增强 (XGB) 模型.
- 纳入患者人口统计和等待名单的持续时间.
- 分析了716名肝移植患者 (2011-2021) 的数据.
主要成果:
- 与RSF模型相结合的时间变化特征实现了最高的预测准确性 (C指数:0.71,IBS:0.151).
- 这种方法显著超过了MELD得分的预测能力 (C指数<0.51).
结论:
- 将时间变异特征与RSF模型集成,可以改善长期LT后生存预测.
- 改进的预测可以帮助临床决策在器官分配和患者管理.
- 这可以为肝移植接受者带来更好的整体结果.
