推进脏移植:一种机器学习方法来增强捐赠者-接受者匹配

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 计算机科学 计算机科学
• 移植医学 移植医学

背景情况:

• 全球脏捐赠者的短缺需要优化器官分配策略.
• 传统的以点为基础的分配系统在最大限度地提高捐赠者-接受者兼容性方面存在局限性.
• 机器学习 (ML) 为提高脏分配的精度和有效性提供了一个有希望的替代方案.

研究的目的:

• 开发和评估基于机器学习 (ML) 的方法,以优化移植中的捐赠者-接受者匹配.
• 为了比较各种ML分类器在预测最佳脏捐赠者-接受者对中的性能.
• 创建一个实用的工具,以提高分配的效率和公平性.

主要方法:

• 开发了一个基于ML的捐赠者-接受者匹配系统,评估了十个分类器,包括梯度增强,随机森林和神经网络.
• 采用了三个实验场景:原始数据集,合并数据集和层次架构模型.
• 将高性能的ML模型集成到基于Web的平台 (Nephron) 中,并使用自定义排名算法来优先考虑接收者.

主要成果:

• 梯度增强模型表现出卓越的性能,在所有实验场景中实现了一致的98%准确性.
• 定制排名算法在识别合适的接收者方面显著超过了传统的相似度量 (cosine,Jaccard).
• 尼弗朗平台成功促进了有效的患者选择和优先级,可适应其他固体器官分配系统.

结论:

• 提出的基于ML的方法有效地优化了移植的捐赠者-接受者匹配.
• 这种方法提高了分配过程的效率和公平性.
• 开发的系统显示了在固体器官移植分配中更广泛应用的潜力.