可解释的机器学习用于评估肝移植中供体移植的捐赠者移植

科学领域:

• 肝病学和移植外科手术
• 人工智能在医学中的应用
• 生物医学数据科学 生物医学数据科学

背景情况:

• 肝移植面临着供体器官的严重短缺,需要精确评估移植的生存能力.
• 预测术后延迟移植功能 (DGF) 对于成功的肝移植结果至关重要.
• 目前用于移植评估的方法需要改进以满足临床需求.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测肝移植患者的术后DGF.
• 确定影响DGF预测的关键变量.
• 为了可视化ML模型的决策过程,以获得临床解释性.

主要方法:

• 利用了来自中国10个主要肝移植中心的5242对捐赠者-接受者数据 (2017-2022年).
• 采用递归特征消除,从63个初始参数中选择30个关键变量.
• 开发并验证了ML模型,包括极端梯度提升和后勤回归,使用AUC评估性能,精度,灵敏度和特异性.

主要成果:

• 极端渐变增强模型实现了高预测准确度 (AUC 0.877,内部准确度为 0.936;外部AUC 0.776,准确度为 0.957).
• 对于DGF的关键预测因素包括短 perfusion 时间,高的供体血清,手术内出血,高的供体马-谷氨基甲酸酶和供体血糖.
• 该模型还在预测移植后1个月 (AUC 0.841) 和3个月 (AUC 0.834) 的存活率方面表现强.

结论:

• 开发的ML模型在肝移植中提供了术后DGF的优异预测性能.
• 这种工具可以帮助临床医生更有效地评估供体肝移植.
• 该模型有助于做出明智的决策,可能提高移植成功率.