相关实验视频
Updated: Jan 14, 2026
16:15
Mouse Kidney Transplantation: Models of Allograft Rejection
Published on: October 11, 2014
21.6K
用机器学习模型预测特定阶段的移植失败
Amankeldi A Salybekov1,2, Markus Wolfien3,4, Ainur Yerkos5
1Kidney Disease and Transplant Center, Shonan Kamakura General Hospital, Kamakura, Japan.
Frontiers in artificial intelligence
|October 20, 2025
概括
机器学习模型准确地预测移植失败,特别是在移植后的中期. 这些特定阶段的模型改善了患者监测和长期移植结果.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 移植手术 移植手术
- 生物医学数据科学 生物医学数据科学
背景情况:
- 准确预测移植失败对于及时干预和保存全移植至关重要.
- 传统的生存模型在动态,时间特定的风险估计方面存在局限性.
- 机器学习 (ML) 为移植结果中复杂模式的建模提供了一个有希望的替代方案.
研究的目的:
- 开发和评估阶段特定的ML模型来预测移植失败.
- 评估ML模型在不同移植后间隔的动态,特定时间的预测准确性.
- 探索ML在优化移植后监测和患者管理方面的潜力.
主要方法:
- 开发了阶段特定的ML模型,用于在五个间隔 (0-3, 3-9, 9-15, 15-39, 39-72个月) 中预测移植失败.
- 利用已故捐赠移植接受者的回顾性数据进行培训和内部验证.
- 在使用ROC AUC,F1分数和G-平均值的外部队列上验证模型性能.
主要成果:
- ML模型在时间间隔中显示出不同的准确性,中等的短期预测 (0-9个月).
- 在中期9-15个月间隔 (ROC AUC = 0.92 ± 0.02) 实现了最高的预测准确性.
- 长期预测 (39-72个月) 提出了更大的挑战 (ROC AUC = 0.70 ± 0.07).
结论:
- 特定阶段的ML模型提供了可靠的预测,特别是在中期的移植后期.
- 这些模型可以整合到移植接受者的动态监测策略中.
- ML模型有助于临床医生识别高风险患者,以定制后续和改善结果.
