对影响肺移植受体结果最有影响的因素的分析:基于UNOS数据的多变量预测模型
Marsa Gholamzadeh1, Reza Safdari1, Mehrnaz Asadi Gharabaghi2
1Health Information Management and Medical Informatics Department, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran (the Islamic Republic of).
BMJ open
|May 16, 2025
概括
机器学习模型可以通过识别关键患者因素来优化肺移植 (LTx) 优先分配. 一个随机森林模型表现出卓越的性能,帮助医生对LTx候选人的决策.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 移植科学 移植科学
背景情况:
- 肺移植 (LTx) 需要对等候名单上的候选人进行仔细的优先排序.
- 目前的优先级设置方法可能会从增强的分析方法中受益.
研究的目的:
- 使用机器学习识别影响肺移植优先分配的关键因素.
- 为优化 LTx 候选人优先级制定一个预测模型.
主要方法:
- 利用了联合器官共享网络 (UNOS) 数据库 (2005-2023) 拥有超过32,000条记录和15个功能后预处理.
- 开发并比较了六种机器学习模型,包括随机森林 (RF) 和深度学习.
- 用Shapley添加式解释 (SHAP) 来进行特征重要性分析.
主要成果:
- 射频模型获得了最高的R平方得分和最低的错误率,表明了卓越的预测准确性.
- SHAP分析确定了影响肺移植优先级的11个关键特征.
- 使用表现最佳的模型开发了一个基于Web的决策支持工具.
结论:
- 机器学习模型可以有效地帮助医生评估肺移植优先级.
- 通过ML识别显著因素可以改善LTx中的患者存活率和资源分配.


