来自活体供体肝移植的个性化生存效益估计,使用一种新的机器学习方法来混调整
Anirudh Gangadhar1, Bima J Hasjim2, Xun Zhao3
1Transplant AI Initiative, Ajmera Transplant Centre, University Health Network, University of Toronto, ON, Canada; Toronto General Hospital Research Institute, University Health Network, Toronto, ON, Canada.
Journal of hepatology
|May 30, 2025
概括
决策路径相似性匹配 (DPSM) 是一种新的机器学习方法,使用观测数据模拟随机对照试验 (RCT). 这种方法表明,活体供体肝移植 (LDLT) 与已故供体肝移植 (DDLT) 相比,提供了显著的生存率.
科学领域:
- 移植研究 移植研究
- 机器学习在医学中的应用
- 生物统计学 生物统计学
背景情况:
- 随机对照试验 (RCT) 往往无法用于比较肝移植 (LT) 类型.
- 观察性研究对于临床问题至关重要,但容易引起混.
- 活体供体肝移植 (LDLT) 扩大了供体库,但缺乏RCT数据.
研究的目的:
- 开发一种新的机器学习算法,即决策路径相似性匹配 (DPSM),以模拟类似RCT的条件.
- 为了减轻对肝移植比较的观察数据的混.
- 通过近似RCT队列来实现更准确的生存预测.
主要方法:
- 从移植受体科学登记处对成年LT候选人的回顾性分析 (2002-2023年).
- 训练一个随机森林分类器,根据患者的特征来预测移植类型.
- 通过尽量减少决策路径距离,使用DPSM对LDLT和已故供体肝移植 (DDLT) 接受者进行一对一匹配.
- 在匹配的队伍中使用随机生存森林模型来预测移植后的生存率.
主要成果:
- DPSM有效地减少了混,将AUROC从0.82降低到0.51.
- 与考克斯回归相比,随机生存森林模型显示出更高的预测性能.
- LDLT与预测的10年平均存活率比DDLT增加10.3%有关.
- 对LDLT的生存益处在HCV和原发性硬化性胆道炎病因方面最为明显.
结论:
- DPSM提供了一种基于ML的新方法,用于使用观测数据模拟RCT条件.
- 该算法能够实现个性化的生存预测,并最大限度地减少移植研究中的混.
- DPSM为临床医生提供了一种有价值的工具,用于评估随机化不可行的治疗效果.
