机器学习预测模型等待列表结果在患有原发性硬化胆管炎的患者
Xun Zhao1, Maryam Naghibzadeh1, Yingji Sun1
1Ajmera Transplant Program, University Health Network, Toronto, ON, Canada.
Transplantation direct
|April 1, 2025
概括
一个新的机器学习模型准确地预测了肝移植等候名单对原发性硬化胆管炎 (PSC) 患者的结果. 这种随机生存森林模型优于现有的MELD得分,改善了对这种特定肝病的预测.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 移植手术 移植手术
- 机器学习在医学中的应用
背景情况:
- 原发性硬化胆管炎 (PSC) 患者在肝移植的获得方面面临着差异.
- 末期肝病模型 (MELD) 评分可能不准确地预测PSC患者因独特的并发症等待名单死亡率.
- 准确预测等待列表结果对于管理等待肝移植的PSC患者至关重要.
研究的目的:
- 开发一个更准确的预测模型,用于肝移植等候名单在PSC患者的结果.
- 将复杂的临床和疾病特异变量纳入预测模型.
- 提高现有的MELD评分的预测准确度,以提高PSC的预测准确度.
主要方法:
- 开发了三种机器学习架构,使用了4,666名PSC患者的数据 (移植受体科学注册 - SRTR).
- 在144名PSC患者 (大学健康网络 - UHN) 的机构数据集上验证了模型.
- 将模型的时间依赖一致性指数 (C指数) 与MELD-sodium和MELD 3.0进行比较,以预测死亡率.
主要成果:
- 随机生存森林 (RSF) 模型在SRTR和UHN数据集中表现出优于MELD-sodium和MELD 3.0的性能.
- RSF的C指数达到0.868 (SRTR) 和0.771 (UHN),超过了MELD的得分.
- 在UHN数据上使用PSC特定变量训练的RSF模型实现了0.91.9的C指数.
- 关键的预测特征包括高MELD得分,白细胞计数,等候名单时间,血小板计数,自身免疫性肝炎-PSC重叠,AST,性别,年龄,狭窄扩张史和体重极端.
结论:
- 开发的RSF模型为PSC患者提供了更准确的等待列表结果预测.
- 整合特定于PSC的变量显著提高了预测性能,突出了对疾病特定模型的需求.
- 这种方法可以更好地预测PSC等不同疾病表现的临床轨迹.
