机器学习预测肺移植患者1年死亡率:ISHLT注册表
Hye Ju Yeo1,2, Dasom Noh3, Eunjeong Son1,2
1Transplant Research Center, Research Institute for Convergence of Biomedical Science and Technology, Pusan National University Yangsan Hospital, Yangsan, Republic of Korea.
概括
一个新的深度学习模型使用最小的移植前因素准确预测1年的肺移植存活率. 这种方法优化了候选人选择,并改善了肺移植患者的结果.
科学领域:
- 移植手术 移植手术
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 优化肺移植候选人选择对于资源效率和患者结果至关重要.
- 预测模型可以帮助识别肺移植的高风险个体.
- 国际心脏和肺移植协会 (ISHLT) 注册表为此类分析提供了广泛的数据.
研究的目的:
- 开发和验证一种深度学习模型,用于预测肺移植后的一年生存率.
- 确定影响肺移植结果的最有影响力的移植前因素.
- 通过减少一组因素来评估简化模型的性能.
主要方法:
- 利用来自ISHLT注册表的29,364名肺移植接受者的数据.
- 开发了一个深度学习模型,包括渐变增强机 (GBM) 和多层感知器 (MLP).
- 采用了SHapley添加式解释 (SHAP) 来评估因素的重要性,并使用前10个因素来改进模型.
- 在独立的内部数据集上进行外部验证.
主要成果:
- 在ISHLT数据上,GBM模型实现了高性能 (AUC:0.958,精度:0.949).
- 一个精简的模型与前10个因素保持了相同的性能.
- 外部验证显示GBM的表现良好 (AUC:0.852,准确度:0.764) 和MLP的优越泛化 (AUC:0.911,准确度:0.870).
结论:
- 机器学习模型可以有效地预测肺移植接受者的1年死亡率.
- 一组最小的移植前因素足以准确预测存活率.
- 这种方法有助于优化肺移植候选人选择和资源分配.
