机器学习驱动优化肺部分配系统的开发,以实现肺部移植的最大效益:韩国国家数据
Mihyang Ha1,2,3, Woo Hyun Cho4,5, Min Wook So6
1Interdisciplinary Program of Genomic Data Science, Pusan National University, Busan, Korea.
Journal of Korean medical science
|February 25, 2025
概括
开发了一种新的MaxBenefit肺部分配分数 (LAS) 系统,以改善肺部移植结果. 这种新的LAS平衡了候选人的急迫性和移植后的存活率,旨在减少等候名单上的死亡,并加强公平的器官分配.
科学领域:
- 移植研究 移植研究
- 医疗信息学医学信息学
- 生物统计学 生物统计学
背景情况:
- 目前的肺部分配系统旨在尽量减少等候名单上的死亡,提高移植存活率,并确保公平.
- 开发一个最佳的肺分配得分 (LAS) 对于最大限度地提高移植效益至关重要.
研究的目的:
- 开发和验证一个新的肺分配分数 (LAS) 系统,称为MaxBenefit LAS.
- 通过平衡等待列表的紧迫性和移植后的存活率来最大限度地提高整体移植效益.
主要方法:
- 从韩国器官共享网络数据库 (2009-2020年) 中对1599名肺移植候选人的回顾性分析.
- 开发使用弹性网考克斯回归的MaxBenefit LAS,结合等候名单死亡率和移植后生存模型.
- 使用曲线下的面积 (AUC) 和Uno的C指数进行性能评估,与美国LAS相比.
主要成果:
- 等候名单死亡率模型显示出强大的预测性能 (AUC: 0.834培训,0.818验证).
- 移植后生存模型显示出良好的预测能力 (AUC: 0.708培训,0.685验证).
- MaxBenefit LAS有效地分层风险,在预测等候名单死亡和识别具有更大的移植益处的候选人方面表现优于传统 LAS.
结论:
- 马克斯Benefit LAS为优化肺部分配提供了一个有希望的策略.
- 这种系统平衡了候选人的急迫性和移植后的生存概率.
- 它有潜力通过公平的器官分配来改善肺移植接受者的结果,并减少等候名单死亡率.
