开发和验证混合机器学习模型,以预测肺移植结果
Gaurav Sharma1,2,3, Vineet Kumar Kamal4, Srinivas Bollineni5
1Department of Cardiovascular and Thoracic Surgery, University of Texas Southwestern Medical Center, Dallas.
JAMA network open
|November 25, 2025
概括
一个新的混合机器学习模型为肺移植接受者提供了改进的风险分层,以中等准确度预测生存结果. 这个工具有助于个性化护理和共享决策,为接受肺移植的患者.
科学领域:
- 移植医学 移植医学
- 医疗保健中的机器学习
- 预测模型的预测建模
背景情况:
- 肺移植后的长期存活率是高度可变的.
- 目前的风险分层工具缺乏准确性和临床实用性.
- 需要改进的方法来预测肺移植结果.
研究的目的:
- 开发和验证一个可解释的混合机器学习模型.
- 预测肺移植后1,5年和10年死亡或再移植的时间.
- 评估开发的预后模型的临床实用性.
主要方法:
- 利用了来自联合国器官共享器官采购和移植网络 (UNOS-OPTN) 的大量队列.
- 采用了AutoScore-Survival框架,将随机生存森林和Cox回归结合起来.
- 使用歧视指标 (AUC,C指数) 和校准评估模型性能.
主要成果:
- 混合模型确定了肺移植结果的九个关键预测因素.
- 在测试组中证明了中度歧视 (iAUC 0.61,C指数 0.64).
- 在决策门上表现出良好的校准和一致的净收益.
结论:
- 可解释的混合模型为肺移植接受者提供了实用,个性化的风险分层.
- 该模型支持临床医生和患者之间的共享决策.
- 基于网络的计算器提高了可访问性和临床实用性.