在正常热区域 perfusion 下循环死亡后控制捐赠的机器学习算法:一个移植生存预测模型
Rafael Calleja1, Marcos Rivera2, David Guijo-Rubio2
1Hepatobiliary Surgery and Liver Transplantation Unit, Maimonides Biomedical Research Institute of Cordoba (IMIBIC), Hospital Universitario Reina Sofía, University of Córdoba, Córdoba, Spain.
Transplantation
|January 9, 2025
概括
机器学习模型准确地预测了通过循环死亡后控制捐赠 (cDCD) 使用常温区域输液 (NRP) 来预测肝移植中的移植存活率. 一个新的风险评分提高了cDCD-NRP肝移植的捐赠者-接受者匹配.
科学领域:
- 肝病学和移植外科手术
- 医疗信息学和机器学习
背景情况:
- 在循环死亡后控制捐赠 (cDCD) 中对移植损失的现有风险评分显示西班牙人口的局限性.
- 在西班牙,大多数cDCD肝脏都使用常温区域输液 (NRP) 恢复,因此需要特定区域的预测模型.
- 需要改进风险分层,以优化cDCD-NRP肝移植的捐赠者-接受者匹配是至关重要的.
研究的目的:
- 评估机器学习分类器,用于预测使用NRP恢复的cDCD肝脏中的移植存活率.
- 开发一种新的风险分层分数,并将其整合到捐赠者-接受者匹配系统中.
主要方法:
- 追溯多中心队列研究,涉及539对通过NRP获得的cDCD肝脏的捐赠者-接受者对.
- 评估多个机器学习模型:逻辑回归,梯分类器,支向量分类器,多层感知子和随机森林.
- 对20个供体,受体和NRP变量的分析,以预测3个月和12个月的移植存活率.
主要成果:
- 后勤回归证明了在3个月 (AUC=0.82) 和12个月 (AUC=0.83) 两种情况下,移植存活率的最高预测性表现.
- 提出了一个捐赠者-接受者匹配系统,结合了末期肝病模型 (MELD) 评分和新开发的cDCD-NRP风险评分.
- 建议的风险评分在研究队列中显示出令人满意的表现.
结论:
- 开发的风险评分显示了在cDCD-NRP移植中支持肝脏分配决策的重大潜力.
- 机器学习方法为肝移植中的风险分层提供了一个有希望的方法.
- 建议进行外部验证,这种方法可能适用于其他地理区域.
