使用机器学习来检查影响De novo HLA特异抗体发育的移植前因素,移植后的机器学习

科学领域:

• 免疫学 免疫学 免疫学
• 移植 移植 移植 移植
• 数据科学数据科学数据科学

背景情况:

• 针对HLA的新型捐赠者特异性抗体 (DSA) 是移植中过早移植失败的主要原因.
• 鉴定移植前新型HLA特异抗体发展的危险因素对于改善长期全移植生存至关重要.

研究的目的:

• 利用机器学习 (ML) 识别与移植受体中新型HLA特异性抗体的发展相关的移植前因素.
• 为新的DSA形成开发预测模型,以告知临床决策.

主要方法:

• 分析了460名移植患者的临床和免疫学数据.
• 机器学习模型 (XGBoost,CatBoost等) 的培训 在移植前的变量预测新的DSA形成.
• 使用F1评分对模型性能进行评估,并使用SHAP进行特征重要性分析.

主要成果:

• 25%的患者出现了新的HLA特异性抗体,其中31%的患者出现了新的DSA.
• 使用SMOTE过量抽样的XGBoost获得了最高的性能 (F1 0.72-0.79).
• 重要的预测因素包括移植前的HLA特异性抗体,先前的移植,感冒缺血时间,女性性别,年龄较小,HLA不匹配,氨基酸不匹配和耗尽的诱导疗法.

结论:

• 机器学习模型有效地识别了新的HLA特异抗体开发的移植前危险因素.
• 基于确定因素的风险分层可以指导免疫学策略和接受者选择.
• 改进的策略有潜力提高长期代移植结果.