机器学习用于预测儿童心脏移植等候名单死亡率
Firezer Haregu1, R Jerome Dixon2, Michael McCulloch1
1Pediatric Cardiology, University of Virginia Children's Hospital, Charlottesville, Virginia, USA.
Pediatric transplantation
|April 28, 2025
概括
儿科心脏移植候选人等待名单死亡率受到机构接受器官供应的影响. 拒绝更多报价的中心的结果更差,突出了需要标准化标准和解决可修改风险的需要.
科学领域:
- 儿童心脏病学 儿童心脏病学
- 移植手术 移植手术
- 医疗保健服务研究 医疗服务研究
背景情况:
- 儿童心脏移植 (HTx) 候选人的等待名单死亡率仍然是一个关键问题,特别是患有先天性心脏病的候选人.
- 列表中心的器官报价接受实践显著影响等候名单的结果.
- 机器学习 (ML) 可以识别与等候名单死亡率相关的因素,整合机构和候选人特定的变量.
研究的目的:
- 利用机器学习来识别儿科心脏移植候选人等候名单死亡率的关键预测因素.
- 调查机构机构的报价接受实践与等待列表结果之间的关联.
- 将候选人特定的风险因素与机构实践相结合,进行全面分析.
主要方法:
- 对儿科HTx候选人的器官采购和移植网络数据库 (2010-2020年) 的分析.
- 应用各种统计和ML模型 (包括CatBoost) 来识别等候名单死亡率或临床恶化的预测因素.
- 使用SHAP值来评估变量重要性和模型性能 (AUC-ROC 0.74,召回 0.75).
主要成果:
- 在5523名儿科候选人中,整体等候名单死亡率为9.8%.
- 关键预测因素包括候选诊断,年龄/体型,呼吸机使用,eGFR,血清白蛋白和ECMO.
- 机构因素,如高拒绝报价率和低移植量,是不利结果的重要预测因素.
结论:
- 机构器官供应接受实践直接影响儿科心脏移植等候名单的结果.
- 在中心,更高的器官拒绝率与更糟糕的结果有关,无论候选人具体的风险如何.
- 标准化器官接受标准和解决可修改的风险 (营养不良,功能障碍) 对于改善等待名单存活率至关重要.
