Optimalizační model založený na simulaci pro studium dopadu seznamování více regionů a sdílení informací o výsledcích transplantace ledvin

Zahra Gharibi 1,* a Michael Hahsler 2

Abstraktní:Více než 8000 pacientů na čekací listiněledvinatransplantace zemřou nebo se stanou nezpůsobilými k transplantaci kvůli zhoršení zdravotního stavu. Současně je ve Spojených státech ročně vyřazeno více než 4000 získaných ledvin od zemřelých dárců. Tento článek vyvíjí optimalizační model založený na simulaci, který bere v úvahu několik klíčových faktorů pro aledvinatransplantace ke zlepšeníledvinavyužití. Na rozdíl od většiny navrhovaných modelů, prezentovaný optimalizační model zahrnuje detaily procesu nabídky, zhoršování zdraví pacientů aledvinakvalita v průběhu času, korelace mezi zdravím pacientů a rozhodnutími o přijetí a pravděpodobností přijetí ledviny. Parametry modelu odhadujeme pomocí dat získaných z United Network of organ sharing (UNOS) a Scientific Registry of Transplant Recipients (SRTR). Pomocí těchto parametrů ilustrujeme sílu optimalizačního modelu založeného na simulaci pomocí dvou souvisejících aplikací. První z nich zkoumá účinky povzbuzování pacientů, aby sledovali čekací listinu pro více regionů na výsledky po transplantaci. Optimalizační model založený na simulaci zde umožňuje pacientovi vybrat nejlepší regiony, ve kterých bude zařazen na čekací listinu, vzhledem k jejich poměru poptávky k nabídce. Druhá aplikace se zaměřuje na systémový aspekt transplantace, konkrétně na příspěvek sdílení informací ke zlepšení míry vyřazení ledvin a sociálnímu blahobytu. Zkoumáme účinky používání moderních informačních technologií k urychlení nalezení vhodného pacienta k dostupnému dárcovskému orgánu na úmrtnost na čekací listině, vyřazení ledvin a četnost transplantací. Ukazujeme, že podpora moderních informačních technologií, kterou v současnosti vyvíjí United Network for Organ Sharing (UNOS), je nezbytná a může významně zlepšit využití ledvin.

klíčová slova:simulační model;ledvinapřijetí;ledvinapřidělení; výpis více regionů; sdílení informací

Kontakt:joanna.jia@wecistanche.com

Cistanchetubulosa zabraňuje onemocnění ledvin, kliknutím sem získáte vzorek

1. Úvod

Chronickýledvinaonemocnění (CKD) je progresivní ztrátaledvinafungovat v průběhu času. CKD je celosvětovou zdravotní krizí, protože v současné době více než 2 miliony pacientů trpí terminálním onemocněním ledvin (ESRD) nebo selháním ledvin. Očekává se, že počet pacientů s diagnózou ESRD se bude každoročně zvyšovat o 5 až 7 procent [1]. V současné době neexistuje žádný lékledvinaselhání a pacienti s ESRD potřebují častou dialýzu nebo transplantaci ledvin od žijícího nebo zemřelého dárce, aby přežili. Pro většinu pacientů je transplantace ledvin preferovanou léčbou, která poskytuje delší očekávanou délku života s vyšší kvalitou života než dialýza. Pacienti na celém světě se však potýkají s chronickým nedostatkem dárcovských ledvin dostupných pro transplantaci.

V současné době je v USA na čekací listině téměř 100000 pacientů a v průměru je každý měsíc zařazeno přes 3000 nových pacientů. Každý rok zemře více než 4000 pacientů při čekání na záchranu životaledvinatransplantaci a více než 4 000 onemocní příliš a jsou. Abychom porozuměli důvodům tak vysoké míry vyřazení, musíme se podívat naledvinaproces alokace a nabídky. Existují značné rozdíly mezi žijícími a zemřelými dárci ledvin a mezi různými zeměmi. Zaměřujeme se zde naledvinyod zemřelých dárců v USA. Nejdůležitějšími kritérii pro přidělení ledvin od zemřelého dárce jsou (1) lékařská kompatibilita dárce a příjemce, (2) logistické faktory a (3) pozice pacienta na čekací listině (např. čekací doba, body). Přesněji řečeno, ve Spojených státech United Network of Organ Sharing (UNOS) spravuje síť pro odběr a transplantaci orgánů (OPTN) a je odpovědná za sběr údajů o pacientech i dárcích. Kromě logistických informací a čekací doby zahrnují údaje čekací listiny totožnost pacienta, demografické faktory (např. pohlaví, rasa, věk) a lékařské charakteristiky (např. krevní skupina ABO, lidské leukocytární antigeny (HLA), panel-reaktivní protilátka (PRA)). Podobně pro vytvoření databáze zesnulých dárců získává UNOS informace o demografických údajích dárců, logistice dárců, obnově a uchování a zdravotních charakteristikách dárců. v USA bylo transplantováno celkem 16 534 ledvin. Navzdory vysoké poptávce a významnému nedostatku ledvin je přibližně jedna z pěti ledvin získaných od zemřelých dárců vyřazena [2].

Abychom porozuměli důvodům tak vysoké míry vyřazení, musíme se podívat naledvinaproces alokace a nabídky. Mezi žijícími a zemřelými dárci jsou značné rozdílyledvinya mezi různými zeměmi. Zaměřujeme se zde na ledviny od zemřelých dárců v USA. Nejdůležitějšími kritérii pro přidělení ledvin od zemřelého dárce jsou (1) lékařská kompatibilita dárce a příjemce, (2) logistické faktory a (3) pozice pacienta na čekací listině (např. čekací doba, body). Přesněji řečeno, ve Spojených státech United Network of Organ Sharing (UNOS) spravuje síť pro odběr a transplantaci orgánů (OPTN) a je odpovědná za sběr údajů o pacientech i dárcích. Kromě logistických informací a čekací doby zahrnují údaje čekací listiny totožnost pacienta, demografické faktory (např. pohlaví, rasa, věk) a lékařské charakteristiky (např. krevní skupina ABO, lidské leukocytární antigeny (HLA), panel-reaktivní protilátka (PRA)). Podobně pro vytvoření databáze zesnulých dárců získává UNOS informace o demografických údajích dárců, logistice dárců, obnově a uchování a zdravotních charakteristikách dárců.

UNOS využívá centralizovanou počítačovou síť k propojení všech organizací pro odběr orgánů (OPO) a transplantačních center. Přidělit darovanéledvinyUNOS používá svůj systém porovnávání dárců a příjemců. Pokaždé nový zemřelý dárceledvinaje získána pro transplantaci, UNOS aplikuje algoritmus match-run, program, který porovnává data dárců s daty aktivních pacientů na čekací listině. Seřazený seznam pacientů je generován pomocí pravidel a zásad přidělování ledvin. Mezi faktory zvažované při vytváření tohoto seznamu patří čekací doba, kompatibilita imunitního systému dárce a příjemce, prioritní způsobilost žijícího dárce, vzdálenost od nemocnice dárce, přínos pro přežití (shoda dlouhověkosti dárce a příjemce) a stav pediatra.

Celý proces nabídky je složitý a soustředíme se zde pouze na hlavní komponenty, které jsou nezbytné pro simulační model diskutovaný v tomto článku. Proces začíná u pacientů zapsaných v místních OPO (v USA je 58 OPO, z nichž každý má svou určenou oblast služby), kteří jsou kompatibilní se zdravotním stavem a mají nejvyšší prioritu na čekací listině. Pokud je místní alokace neúspěšná, je orgán nabízen v regionu (USA jsou v současnosti rozděleny na 11 transplantačních regionů) a nakonec celostátně. Obrázky 1a, b ukazují 11 geografických oblastí v USA [3] a geografickou hierarchii procesu nabídky ledvin, v daném pořadí. Další podrobnosti o politice získávání a přidělování orgánů jsou k dispozici v [4]. Jedním z důvodů upřednostňování místních pacientů vledvinaproces přiřazení má zkrátit dobu mezi odběrem orgánu a implantací. Tento čas se nazývá Cold Ischemia Time (CIT) a hraje zásadní roli ve výsledcích transplantace ledvin [5,6].

Obrázek 2 a tabulka 1 ukazují regionální odchylky v CIT, čekací době aledvinavýsledky transplantací napříč USA, resp. V USA existují značné rozdíly v čekací době od zemřelého dárce ledviny. Čekání pacienta na transplantaci může ovlivnit více faktorů. Kromě klinických faktorů pacienta, jako je krevní skupina a stupeň senzibilizace, který vykazuje PRA (panel reaktivní protilátka), má na šanci na včasnou transplantaci ledviny obrovský vliv geografie a místo pobytu pacienta. To je důležité, protože oblasti s delší CIT mají pravděpodobněji nižší míru přežití po transplantaci štěpu a pacientů. Přesněji, jak naznačují výsledky jednoleté a pětileté míry přežití pacientů a štěpu po transplantaci ledviny, region 9 s nejdelší CIT ze všech regionů má nejnižší míru přežití pacientů a štěpů po jednom a pěti letech ze všech 11. regionech. Obvykle, když CIT dosáhne 24 hodin, je těžké najít pacienta, který by přijal nabízený orgán. Ve většině případů jsou ledviny vyřazeny po 48 hodinách CIT. Snížení CIT ledvin prostřednictvím manažerských zlepšení by tedy mohlo být nákladově efektivním způsobem, jak zlepšit současný systém transplantací a výsledky.

Transplantační chirurgové a regulační orgány v USA vyjádřili své obavy ohledně vysoké pozorovanéledvinamíra vyřazení navzdory rostoucí čekací listině, dlouhé čekací době a vysoké míře odstranění čekací listiny. Tabulka 2 ukazuje seznam čekatelů a informace o transplantacích pro USA a země Eurotransplant (ET). Eurotransplant je mezinárodní nezisková organizace odpovědná za alokaci a transplantaci orgánů v Rakousku (A), Belgii (B), Chorvatsku (HR), Německu (D), Maďarsku (H), Lucembursku (LR), Nizozemsku (NL) a Slovinsku. (SLO). I když počet darovanýchledvinya transplantace provedené v roce 2019 v USA dosáhly historického maxima, míra vyřazení ledvin přibližně 26 procent (počítáno jako počet zemřelých transplantací ledvin nad dvojnásobek celkového počtu zemřelých dárců) zůstává ve srovnání s ET znepokojující. míra výmětů zemí 20 procent.

Nejčastější důvod dárceledvinaodmítnutí a potenciální vyřazení jsou obavy o kvalitu ledvin dárce. Data ukazují, že transplantační chirurgové by odmítli nekvalitní ledviny u relativně zdravého pacienta v naději, že v budoucnu dostanou lepší nabídku [7]. Navíc kledvinakvalitní,ledvinamíra přijetí a vyřazení může být ovlivněna i samotným procesem přidělování [8]. Důkazy ukazují, že ledviny odmítnuté časně v procesu alokace jsou méně pravděpodobné, že budou později přijaty [9]. Další obavou je rostoucí averze transplantačních center k riziku kvůli zprávám specifickým pro program, které hodnotí potransplantační výsledky. To může poskytnout pobídky pro centra, aby požadovala kvalitnější ledviny. V důsledku toho mohou odmítnout ledviny adekvátně pro pacienta, ale to představuje riziko negativního ovlivnění hodnocení jejich potransplantačních výsledků [8,10–15].

Další důvod pro nepozorování dostatečně vysokoledvinavyužití je v USA geografický rozdíl v přístupu k transplantaci ledvin. Tabulka 3 ukazuje geografické rozdíly v počtu zemřelých dárců, OPO a transplantačních center napříč 11 regiony. Několik států, jako je Wyoming, Idaho a Montana, nemá transplantační centra navzdory vysoké míře dárcovství orgánů. Takové rozdíly a rozdíly v OPO a zařízeních pro transplantaci orgánů mohou vést k nespravedlivé dostupnosti orgánů, špatnému přístupu k péči a zbytečně dlouhé čekací době pro některé pacienty. Jedním z pěti strategických cílů UNOS je zajistit rovný přístup k transplantacím a snížit geografické rozdíly [16]. Aby se zlepšila šance na obdržení vhodného darovaného orgánu a zkrátila se dlouhá čekací doba, mohou se pacienti přestěhovat do oblasti s kratší čekací dobou nebo se přihlásit do více transplantačních center, obvykle umístěných v různých regionech [17]. UNOS zavedl několik zásad seznamování, které umožňují pacientům zařazení do více než jednoho transplantačního centra.

V současné době přibližně 4 procenta pacientů čekajících na aledvinaTransplantace jsou vícečetné, což je nejvyšší počet ze všech orgánů [18].

Stejně jako u každé transplantace musí pacient dokončit hodnotící testy a musí se zavázat k nařízením transplantačního centra, jako je schopnost dostat se do transplantačního centra v daném čase. Pro zařazení do více center může být tento proces poměrně nákladný, protože většina pojišťoven nemusí proplácet náklady na další vyšetření [15,19]. Pacienti po transplantaci orgánů jsou navíc povinni užívat imunosupresivní léky jako součást potransplantační péče, aby bylo zajištěno, že jejich tělo neodmítne nový orgán [20]. Pacientka se proto potřebuje naučit, zda lze potransplantační péči převést do centra blíže jejímu bydlišti. Bez politik pro adekvátní finanční podporu cestovních výdajů to zjevně stále představuje problém z hlediska spravedlnosti a spravedlnosti, kterým se musí tvůrci politik zabývat.

V tomto článku představujeme stochastický simulační model, který lze použít k analýze vlivu změn na systém přidělování ledvin a proces nabídky. Simulační model zahrnuje zdraví pacienta, kvalitu dárce a ledvin reprezentovanouledvinyIndex profilu dárce (KDPI) [21], zhoršení kvality ledvin dárce v důsledku akumulace CIT během procesu alokace a také nabídka a poptávka po ledvinách. Dále model zvažuje možnost, že dárcovskou ledvinu nelze přijmout z jiných důvodů (např. krátkodobá nemoc pacienta, nedostatečné chirurgické zdroje, výsledek křížové zkoušky). Pomocí modelových parametrů odhadnutých z dat poskytnutých UNOS a Vědeckým registrem příjemců transplantací (SRTR) aplikujeme simulační model ke zkoumání následujících dvou zásadních trendů ke zlepšení tempa transplantace dárcovských ledvin:

1. Vícenásobné zařazení: Převedení do oblasti s kratší čekací dobou nebo čekací listina ve více oblastech může pacientovi pomoci tím, že zvýší její šanci na dřívější transplantaci ledviny. V důsledku toho může pacient zlepšit potransplantační výsledky díky menšímu zhoršení zdravotního stavu při pobytu na dialýze. Vyvinout strategii, která by vedla k rozhodnutí pacienta o převodu nebo zařazení na více seznamů, však není snadné. Rozhodnutí formulujeme jako problém maximalizace užitku v rámci souboru omezení rozpočtu, vzdálenosti a zařízení na regionální úrovni. Nabídka a poptávka se značně liší v 11 regionech USA a pro různé krevní skupiny. Taková variace má za následek značně se měnící čekací doby, což vede k různým očekávaným užitkům a optimálním strategiím přijímání ledvin (vyjádřeno jako optimální prahy kvality ledvin). Abychom odvodili prospěšnost pacienta pro různé oblasti, používáme simulační model k získání užitečnosti při individuálních optimálních rozhodnutích o přijetí transplantátu ledviny na základě zdravotního stavu pacienta a nabídky a poptávky po krevní skupině pacienta. Získané informace využíváme k řešení optimalizačního problému a odvození optimální politiky výběru regionu.

2. Informační technologie: Rychlá a přesná komunikace mezi UNOS a transplantačními centry je nezbytná pro zefektivnění přidělování orgánů, které se dokonce stává kritičtějším tváří v tvář pacientům na více seznamech. UNOS má za cíl zvýšit využívání informačních technologií při přidělování orgánů a transplantacích. Zavedli bezpečný online systém, který shromažďuje data, aby zlepšil schopnost transplantačního systému zlepšit šanci pacienta na získání orgánu zachraňujícího život. Jak se technologie vyvíjela, UNOS také podporuje vývoj a používání moderních technologií, jako jsou mobilní zařízení, pro rychlejší a efektivnější zvažování dárců.ledvinanabízí dosažení vyšší míry využití ledvin [22]. Mobilní zařízení například usnadní shromažďování aktuální dostupnosti pacientů pro transplantaci (např. prostřednictvím aplikace). Pomocí těchto informací bude OPTN alokovat ledvinu rychleji, čímž se sníží poškození ledvin a vyřazení. V ideálním případě dokonalé informace by OPTN mohl najít prvního pacienta na čekací listině, který okamžitě přijmeledvina, snížení CIT a vyřazení na minimum. Prezentovaná simulace vyhodnocuje efekt reálného případu nedokonalého sdílení informací.

   
   

   
   

2. Literární revue

V této části shrnujeme jak lékařské, tak analytické studie o transplantaci orgánů, které jsou relevantní pro tento článek. U lékařských prací se zaměřujeme především na CIT a čekání na časovou dialýzu jako dva zvládnutelné nezávislé rizikové faktory, které účinně přispívají k výsledkům transplantace ledvin. V analytické části přezkoumáme články, které spadají do jednoho nebo obou výzkumných proudů zabývajících se rozhodováním o přijetí orgánů zesnulého dárce a návrhem procesu přidělování.

2.1. Lékařská literatura

Několik výzkumníků ze Severní Ameriky, Jižní Ameriky a Evropy studovalo souvislost mezi CIT aledvinavýsledky transplantace [23,24]. Analýza provedená Nieto-Ríosem a kol. [25] ukazuje, že CIT je nezávislým rizikovým faktorem pro zpožděnou funkci štěpu (DGF). Přesněji řečeno, riziko rozvoje DGF se zvyšuje, když CIT překročí 18 hodin. Neovlivňuje však negativně výsledky v akutní rejekci nebo jednoroční potransplantační ztrátě štěpu.

Francouzská studie Debout et al. [26] zjistili, že s každou další hodinou CIT se výrazně zvyšuje riziko potransplantačního selhání aloštěpu a mortalita. Podobná studie provedená Valdivia et al. [27] ve španělské Andalusii potvrzují, že prodloužená CIT může ovlivnit přežití pacientů i štěpů. Studie naznačuje, že dlouhá CIT může zvýšit riziko počáteční špatné funkce štěpu bez ohledu na věk dárce i příjemce. Jak se CIT zvyšuje, zvyšuje se také šance na DGF. Škodlivá asociace prodloužené CIT s rizikem DGF však není zesílena u starších dárců (např. rozšířená kritéria, dárci). Studie ukazuje, že vliv CIT na akutní odmítnutí transplantátu ledviny (ARTR) je patrnější u podstupujících pacientůledvinaretransplantace. Analýza také naznačuje, že darované ledviny s CIT 24 hodin nebo delší jsou vystaveny většímu riziku ARTR ve srovnání s orgány s CIT kratší než 12 hodin. Koizumi a kol. [6] uvádějí, že v USA byly pozorovány regionální odchylky ve výsledcích ledvin, ale hlavní důvod těchto odchylek není jasný. Studie odhaluje významné variace doby studené ischemie (CIT) napříč regiony pro ledviny dárců. Konkrétně zjistili, že oblasti s delší CIT mají pravděpodobněji nižší míru přežití ledvin po transplantaci. Naznačují, že manažerská zlepšení mohou být nákladově efektivní volbou, jak zlepšit současný výkon transplantačního systému a potenciál snížit míru vyřazení orgánů.

Meier-Kriesche a kol. [28] používají údaje z registru USRDS (United States Renal Data System Registry) k posouzení potenciální souvislosti mezi čekací dobou a výsledky transplantace ledviny. Jejich studie potvrzuje, že dlouhá čekací doba je významným rizikovým faktorem, který negativně ovlivňuje přínosy přežití po transplantaci ledviny. V důsledku toho naznačují, že čím dříve pacienti s ESRD dostanou transplantaci ledvin, tím vyšší jsou jejich šance na dlouhodobé přežití. Meier-Kriesche a Kaplan [29] zkoumají důležitost čekací doby na dialýze jako nejvýznamnější nezávislý rizikový faktorledvinavýsledky transplantací. Jako součást své analýzy aplikují Kaplan-Meierovy odhady a Coxovy modely proporcionálních rizik na databázi datového systému ledvin v USA, aby prozkoumali účinek čekací doby na zemřelého dárce.ledvinaVýsledek. Jejich zjištění ukazují, že pětileté a desetileté přežití štěpů je výrazně horší u příjemců párových ledvin, kteří čekali na dialýzu déle než dva roky, ve srovnání s párovými ledvinami.ledvinapříjemcům s čekací dobou kratší než půl roku.

2.2. Analytická literatura

Analytická literatura se zaměřuje na designledvinaalokační proces a často využívá simulační modely. Diskutované otázky jsou účinnost a spravedlnost procesu přidělování a účinek rozhodnutí o přijetí ledviny.

K analýze alokačního procesu použitého v roce 2000 Zenios et al. [30] navrhují dynamickou alokaci zdrojů, která maximalizuje očekávanou délku života pacienta po transplantaci ledviny a zároveň minimalizuje nerovnost mezi pacienty. Zkonstruovaný simulační model ukazuje, že aktuálně používaná politika alokace orgánů zvyšuje kvalitu života pacienta a snižuje očekávanou čekací dobu.

Theledvinarozhodnutí o přijetí je zásadní pro celý proud výzkumu. Ahn a Hornberger [31] vyvíjejí teoretický model, který bere v úvahu zdraví pacienta při rozhodování o přijetí/odmítnutí ohledně kvality nabízených ledvin. Jejich analýza ukazuje, že relativně zdravý pacient si může dovolit být selektivní, pokud jde o kvalitu dárceledvinya očekávat lepší potransplantační výsledek přijetím vysoce kvalitní ledviny. Vliv volby pacienta na systém alokace orgánů studují Su a Zenios [32]. Studie zavádí model řazení do fronty, který analyzuje účinky volby pacienta na míru odmítnutí ledvin tím, že vyhodnocuje výkonnost čekacího systému v rámci zásad „kdo dřív přijde, první servíruje“ (FCFS) a „poslední přijde, první servíruje“ (LCFS). Došli k závěru, že LCFS je účinnější než FCFS. Ve skutečnosti, na rozdíl od LCFS, politika FCFS motivuje pacienty k odmítnutí nekvalitních ledvin, což vede k nízkému využití ledvin. Na druhou stranu model ukazuje, že politika LCFS dosahuje optimálního využití orgánů. V jiné studii Su a Zenios [33] zkoumali roli volby pacienta při alokaci ledvin pomocí modelu sekvenčního stochastického přiřazení. Model řeší konflikt mezi volbou pacienta a sociálním blahobytem. Analýza uvažuje dvě schémata, kde první předpokládá, že pacienti musí přijmout jakoukoliv nabízenou ledvinu. Prvním nejlepším řešením je najít politiku přidělování, která maximalizuje sociální blahobyt. Zavedením volby pacienta je politika prvního nejlepšího upravena tak, aby byla dosažena politika druhého nejlepšího. V důsledku toho je zavedena podmínka kompatibility pobídek, která nutí politiku přidělování navrhnout tak, aby bylo zajištěno, že pacienti přijmou jakoukoli nabídku ledvin. Su a Zenios [34] zavádějí model návrhu mechanismu pro alokaci orgánů, který bere v úvahu volbu pacienta. Pacienti uvádějí typy ledvin (např. kvalitu), které si přejí obdržet, při zařazení na čekací listinu na transplantaci ledviny (nikoli v době nabídky dárce ledviny) a zařazují se do fronty, která obsluhuje deklarovaný typ ledviny. Tímto způsobem model zkracuje dlouhý proces hledání tím, že identifikuje vhodné pacienty, kteří si přejí přijímat odebrané dárcovské ledviny efektivněji.

Spravedlnost a spravedlnost jsou důležitými tématy Bertsimas et al. [35] studují geografické rozdíly v přístupu k zesnulému dárciledviny. Používají aproximaci tekutiny pro model fronty k formulování optimálního způsobu zařazení pacienta do čekacích listin více transplantačních center. Cílem pacienta je maximalizovat očekávanou délku života a zároveň minimalizovat náklady na přetížení. Kombinací analytických, simulačních a numerických výsledků ukazují, že vícenásobný zápis výrazně podporuje geografickou rovnost a zvyšuje dárceledvinazásobování. Více dárců vede k vyššímu počtu transplantací a snižuje úmrtnost pacientů na čekací listině. Několik studií [36–38] vyvinulo modely, které umožňují nekompatibilnímu páru dárce-příjemce stále přijímat ledvinu od žijícího dárce prostřednictvím výměny s jinými nekompatibilními páry dárce-příjemce. Zatímco většina existujících modelů usiluje o maximalizaci celkového počtu možných výměn ledvin a sociálního blahobytu, nezohledňují složku spravedlnosti definovanou jako spokojenost dárce a příjemce. Lee a kol. [39] prezentují dvoufázový stochastický model programování, který zohledňuje spravedlnost v programech výměny ledvin žijících dárců. Studie zkoumá několik scénářů, aby prozkoumala vliv spravedlnosti na výsledky výměny ledvin. Číselné výsledky ukazují zlepšení výsledků programu výměny žijících dárců, když se vezme v úvahu férovost při párování nekompatibilních párů. Všimněte si, že některé zde diskutované studie zvažují dopad spravedlnosti při transplantaci ledviny od živého člověka; zaměřujeme se však pouze na transplantace ledvin od zemřelých dárců.

Simulace uvedené v literatuře používají silné předpoklady. Například Su a Zenios [33] předpokládají, že pacienti musí přijmout jakoukoli nabídkuledvinanebo u [34] pacientů nemůže změnit původně zvolenou kvalitu ledvin. Většina simulací se navíc obvykle zaměřuje na jednu proměnnou. Například studie Ruth et al. [40] se zaměřuje na délku pořadníku. Studie navrhuje simulační model pro proces přidělování orgánů a zjišťuje, že za podmínek přidělování orgánů v roce 1985 bude délka pořadníku nadále narůstat. Simulační model, který představujeme v tomto článku, poskytuje důkladnější obrázek tím, že bere v úvahu vliv rozhodnutí pacienta, nabídku a poptávku v různých regionech, efektivitu procesu přidělování a očekávaný účinek potransplantační užitečnosti.

cistanche kulturistika

3. Popis modelů

V následujících částech podrobně probereme hlavní součásti simulačních i optimalizačních modelů. Simulační modely zahrnují pacienta (požadavek orgánu), zemřelého dárceledvinypříchod (dodávka orgánů), postupná nabídka ledvin od zemřelého dárce k nalezení optimálního prahu kvality ledvin a očekávaná potransplantační užitečnost pro pacienta s danou úrovní zdraví. Poté použijeme výstup simulačního modelu jako koeficienty objektivní funkce optimalizačního modelu k doporučení zásady vícenásobného výpisu a navrhneme sadu oblastí, které si pacient může vybrat.

3.1. Simulační model

Vyvíjíme simulační model, který umožňuje pacientovi identifikovat optimálníledvinapráh kvality, který maximalizuje její potransplantační užitek. Parametry modelu závisí na nabídce a poptávce regionu pacientů. Simulujemeledvinaakceptační strategie a výsledná potransplantační užitečnost odpovídající každé transplantaci. Obrázek 3 znázorňuje proces simulace. Klíčové komponenty probereme v následujících částech.

3.1.1. Poptávka po orgánech

Poptávku představují pacienti na čekací listině. Rozdělili jsme pacienty do několika skupin kompetitivních pacientů, kteří mohou obdržet stejný typ orgánu od zemřelého dárce v závislosti na krevních skupinách a dalších klinických kritériích. Modelujeme každou skupinu zvlášť. Budeme uvažovat o interakci mezi skupinami (např. někteří pacienti s krevní skupinou AB mohou dostávat orgány od dárců s jakoukoli krevní skupinou) úpravou zásobování orgánů jednotlivými skupinami.

Každá kompetitivní skupina pacientů je modelována pomocí fronty související s krevní skupinou j, kde j ∈ {A, B, AB, O}. Pacienti se mohou zařadit do své fronty (např. podle krevní skupiny) s rychlostí λj a nechat se obsloužit kompatibilními dárci. Kompatibilníledvinydorazit do fronty krevní skupiny j s rychlostí µi. Například pro frontu krevní skupiny A, kompatibilníledvinyjsou typu A a O. Pacienti odcházejí z pořadníku j s četností transplantace ηi, když (1) přijmou nabízenou ledvinu, nebo (2) s četností θi buď onemocní na transplantaci nebo zemřou na čekací listině . Struktura modelu fronty je znázorněna na obrázku 4.

Po studii v [34] se pacienti s krevní skupinou j dostávají na čekací listinu podle Poissonova procesu s rychlostí příchodu λj. Pacienti se zapisují na čekací listinu v modelu s nepozorovatelným počátečním zdravotním stavem h0, který představuje zbývající dobu, po kterou mohou přežít na dialýze, když se připojí. Modelujeme distribuci h0 v populaci pacientů pomocí Weibullova rozdělení. Weibullova distribuce se často používá v analýze přežití k vyjádření doby do selhání, protože je schopna vyjádřit míru selhání, která se v průběhu času snižuje, konstantní nebo zvyšuje. Zdraví pro simulovaného pacienta, h0, je pak realizací náhodné proměnné H0 ∼ Weibull(a, b), kde a a b jsou parametry měřítka a tvaru. Pacienti opustí čekací listinu, pokud (1) dostanou transplantaci nebo (2) opustí frontu kvůli špatnému zdravotnímu stavu (nebo smrti). Protože h0 je doba, po kterou může pacientka přežít na dialýze, když se zařadí na čekací listinu (tj. index ukazuje, že zatím čekala nula let), skutečný zdravotní stav po čekání w letech je hw {{1{{ 11}}}} h0 − w, což znamená, že pacient opustí čekací listinu nejpozději v=h0.

3.1.2. Zásobování varhanami

Následuje [34], kompatibilní zesnulý dárceledvinydorazit do fronty na krevní skupinu j podle nezávislého homogenního Poissonova procesu s rychlostí příchodů µj. OPTN definováno aledvinametrika kvality nazývaná Kidney Donor Profile Index (KDPI), která zahrnuje deset klinických dárcovských faktorů k hodnocení ledvin podle odhadovaného přežití ledvin po transplantaci [41]. KDPI bere v úvahu následující charakteristiky dárce: věk, výšku, váhu, etnický původ, zda dárce zemřel v důsledku ztráty srdeční funkce nebo ztráty mozkové funkce, mrtvici jako příčinu smrti, anamnézu vysokého krevního tlaku, anamnézu diabetu, expozice virus hepatitidy-C, sérový kreatinin (míra funkce ledvin). Konstrukčně se KDPI blíží rovnoměrně distribuovanému ve všech ledvinách odebraných v daném roce. Na základě KDPI modelujeme kvalitu ledviny od dárce znázorněné pomocí q0 jako realizaci náhodné proměnné Q ∼ Unif(0, 1). Používáme 0 k vyjádření nejnižší a 1 nejvyšší kvality ledvin, tj. q0=1 − KDPI. Když je v simulaci k dispozici nová ledvina dárce, je ledvina současně nabídnuta skupině g pacientů se specifikovaným časovým oknem, aby zvážila nabídku a učinila rozhodnutí o přijetí/odmítnutí. Pokud nikdo ze skupiny g pacientů nemůže přijmout ledvinu po přiděleném čase, je ledvina nabídnuta další skupině g pacientů na čekací listině. Proces přidělování pokračuje, dokud není orgán buď přijat pacientem, nebo vyřazen (kvůli neúspěšnému hledání nebo umístění orgánu). Pro současný nedostatek dárcovských ledvin máme µj < λj,="" tj.="" ledviny="" přicházejí="" v="" nižší="" míře="" než="" noví="" pacienti.="" odstranění="" pacienta="" z="" důvodu="" zdraví="" nebo="" smrti="" udržuje="" frontu="" na="" konečné="" velikosti.="" delší="" čekací="" listiny="" mají="" za="" následek="" delší="" čekací="" doby="" a="" další="" zhoršení="" zdravotního="" stavu="" pacientů.="" to="" zase="" zvyšuje="" míru="" odstranění="" (pacienti="" odcházejí="" bez="" transplantace).="" délka="" fronty="" se="" ustálí="" na="" rovnováze,="" kdy="" rychlost="" transplantace="" plus="" rychlost="" odstranění="" pacienta="" odpovídá="" rychlosti="" příchodu="">

3.1.3. Rozhodnutí o přijetí/odmítnutí ledvin

Postupem času jako proces dárceledvinanabídka pokračuje, ledvina hromadí CIT a její kvalita se zhoršuje. Toto zhoršení modelujeme jako qt {{0}} f(q0, δ, t). V této rovnici t představuje akumulovanou CIT a q0 představuje kvalitu ledvin v době zotavení, když t=0. Proměnná δ představuje faktor zhoršení kvality ledvin. Požadujeme, aby kvalitativní funkce f klesala v δ a t, tj. ∂ f(q0,δ,t)∂δ < 0="" a∂="" f="" (q0,δ,t)="" ∂t="">< 0.="" v="" simulačním="" modelu="" měříme="" čas="" jako="" násobky="" času="" povoleného="" pro="" jedno="" kolo="" nabídek.="" pokud="" mají="" pacienti="" na="" rozhodnutí="" jednu="" hodinu,="" pak="" t="" představuje="" akumulované="" město="" v="" hodinách.="" modelujeme="" ledvinu="" přijetí/odmítnutí="" rozhodnutí="" pacienta="" a="" následnou="" transplantaci="" ve="" dvou="" krocích.="" za="" prvé,="" pacient="" používá="" prahovou="" strategii,="" aby="" se="" rozhodl,="" zda="" se="">ledvinaje přijatelné. Pacient by nabídku přijal, pokud by qt bylo větší nebo rovno k, kde k je práh kvality ledvin, o kterém rozhodl pacient a chirurg. U přijatelných ledvin zvažujeme několik faktorů souvisejících se zdravotním stavem pacienta a transplantačním centrem. V simulačním modelu používáme pravděpodobnost provedení transplantace, pokud je nabízena přijatelná ledvina

kde p (faktory pacienta) představuje specifickou zdravotní situaci pacienta a jakoukoli skutečnost, kterou se pacient nebo chirurg může rozhodnout protiledvinaz důvodů, které nejsou vysvětleny čistě kvalitou ledvin (např. pacient je dočasně neaktivní na čekací listině, nepříznivý výsledek křížového porovnávání). Pravděpodobnost p(centrové faktory) představuje připravenost transplantačního centra (např. dostupnost personálu, operačních sálů atd.) a také úvahy o dopadu transplantace na hodnocení výkonu centra. Pacientka si po konzultaci s chirurgem zvolí svůj rozhodovací práh k. Takový práh bude ovlivněn zdravotním stavem pacienta h0, protože pacient, kterému zbývá více času na dialýze, bude čekat na kvalitnější ledvinu. Tento vztah modelujeme v simulaci tak, že pro každého pacienta vybíráme z náhodné proměnné K ∼ Unif(0,1), která koreluje s sh0 pacienta reprezentovaným Spearmanovým koeficientem pořadové korelace ρH 0, K.

3.1.4. Potransplantační utilita pacienta

Pokud pacient přijme zemřelého dárceledvinanabídky a transplantace, pacient získá potransplantační užitek. Potransplantační užitečnost závisí na kvalitě ledviny v době transplantace qt a čekací době pacienta w, což má za následek zdravotní stav hw=h0 − w. Potransplantační užitečnost lze rozdělit na dvě složky

kde B(·) představuje přínos pro pacienta v závislosti naledvinakvalita a D(·) odpovídá za zhoršení stavu pacienta na čekací listině. Rozdělení utility na tyto dvě složky má výhody pro odhadování parametrů z dat. Funkci B(·) lze považovat za přínos pro pacientku, pokud by bez čekání dostala ledvinu s kvalitním qt. Funkce přínosu musí zajistit, že se zvyšuje se zdravím pacienta h{{0}} a kvalitou ledvin, tj. ∂B(∂hh00, qt) > 0 a ∂ B(∂hq0t, qt) > 0. D(·) představuje náklady ve formě faktoru zhoršení v důsledku čekání w na ledvinu. Nákladová funkce se musí zvyšovat s tím, jak se doba čekání prodlužuje a zkracuje se zdravím pacienta., tj. Běžný způsob, jak definovat funkce jako B(·) je ve formě logistické regrese pro přežití navržené Coxem [42], která modeluje podmíněné šance na zemřít v kterémkoli časovém bodě vzhledem k přežití do tohoto bodu

kde m(h{{0}}) označuje výsledek transplantace pro pacienta se zdravotní úrovní h0, který okamžitě dostal perfektní ledvinu (qt=1) (w {{3 }}). Přirozeně m(h0) roste se zdravím pacienta h0. Pro D(·) používáme funkcionál from

kde řídí rychlost zhoršování. Faktor zhoršení je roven jedné (tj. žádné zhoršení), když je doba čekání nula (w {{0}}). Pokud pacient čeká na velmi kvalitní ledvinu a dojde mu čas (tj. w=h0), pak se faktor zhoršení stane nulovým. Zvolená funkční forma je velmi flexibilní a může vyjadřovat lineární zhoršení ( {{ 4}}), zpomalení zhoršování (> 1) a zvýšení zhoršení ( < 1).="" odhadem="" parametrů="" z="" dat="" a="" pomocí="" simulační="" optimalizace="" najdeme="" pro="" každého="" pacienta="">ledvinapráh kvality k∗, který maximalizuje potransplantační užitečnost.

3.2. Výběr regionu a model optimalizace více výpisů

Pacientka může zlepšit své šance na transplantaci přestěhováním do jiného regionu (výběr regionu) nebo zařazením do transplantačních center ve více regionech. Abychom pacientovi pomohli identifikovat sadu oblastí pro vícenásobné zařazení, využíváme simulační model k výpočtu optimálního parametru prahové politiky k∗i a maximální očekávané užitečnosti, kterou pacient pravděpodobně získá z transplantace v každé oblasti. To je reprezentováno 11užitnými hodnotami Ui(k∗i , h0, w), i ∈ 1, 2, . . . , 11. Pro jednoduchost píšeme Ui(k∗i ), které představuje potransplantační očekávanou užitečnost pro pacienta s danými h0 a w. Výběr regionu se nyní provádí výběrem regionu s největší užitečností.

Pro vícenásobný výpis reprezentujeme akci zařazení do regionu i pomocí binární rozhodovací proměnné

Pacient má 11 rozhodovacích proměnných, jednu pro každou oblast. Předpokládáme, že pacientka bude chtít zvýšit své šance uvedením nejlepších oblastí s nejvyšší očekávanou užitečností vzhledem k souboru omezení. To lze formulovat jako následující optimalizační problém.

Součet regionálních služeb zajistí, že do řešení budou zahrnuty regiony s největšími službami. První omezení zajišťuje, že řešení splňuje celkový rozpočet C daného pacienta. Druhé omezení bere v úvahu maximální vzdálenost, kterou může pacient urazit, aby se včas dostal do transplantačního centra. Třetí omezení bere v úvahu pacientova očekávání ohledně výkonu oblasti P a nakonec poslední omezení omezuje rito na 0 nebo 1. Protože počet oblastí je malý, pouze 11, lze tento problém vyřešit výčtem.

4. Aplikace a číselné výsledky

Tuto část začneme odhadem parametrů potřebných pro simulační model a poté představíme, jak lze model použít pro dvě aplikace. První aplikace ilustruje, jak může model poskytnout strategické vodítko na podporu volby pacienta, zda se přestěhovat do jiného regionu nebo se přihlásit do více regionů.

Druhá aplikace analyzuje potenciální přínosy používání moderních technologií pro sdílení informací (např. prostřednictvím aplikací pro chytré telefony) ke zlepšení sociálního blahobytu prostřednictvím zvýšení užitku pacientů po transplantaci aledvinamíry využití.

cistanche kulturistika

4.1. Odhad parametrů

K odhadu parametrů modelu používáme data z UNOS a SRTR. Extrahujeme data UNOS za rok 2019, abychom odhadli přírůstky do pořadníku a dárceledvinazásobování. Pro výpočet čekací doby používáme hodnoty hlášené SRTR. Datový systém SRTR obsahuje podrobné lékařské a demografické údaje pro všechny dárce, pacienty na čekací listině a příjemce transplantací v USA. Použitý soubor dat se skládá z více než 400000 pacientů, kteří od října 1987 do konce roku 2019 poprvé obdrželi transplantaci ledvin od zemřelého dárce.

Výroční zprávy SRTR a UNOS poskytují informace o příchodech orgánů a činnosti na čekací listině (např. statistiky přidávání a odebírání pacientů). Tato data používáme k odhadu λj a µjin pro každé období.

Důležitým faktorem pro odhad rychlosti příchodu ledvin do fronty krevní skupiny j je kompatibilita krevních skupin mezi pacienty a dárci. Dárci s krevní skupinou O jsou podle kritérií kompatibility krevní skupiny univerzálními dárci, jejichž ledvinové orgány lze nabídnout pacientům všech krevních skupin. Na druhou stranu dárci s krevní skupinou AB mohou darovat ledviny pouze pacientům s krevní skupinou AB, přičemž jsou univerzálními příjemci ze všech krevních skupin. Tabulka 4 podrobně ukazuje kompatibilitu krevní skupiny pro transplantaci ledviny. Tento článek uvádí pouze výsledky pro krevní skupinu A. Výsledky pro ostatní krevní skupiny lze získat podobně. Tabulka 5 ukazuje příchody dárců a pacientů pro krevní skupinu A.

Na základě údajů SRTR pacienti krevní skupiny A dostávají v průměru 94 procent a 6 procent orgánů od dárců krevní skupiny A a O, což se odráží vledvinaparametr nabídky µj v tabulce 5. Podle aktuálního schématu nabídky používaného OPTN v USA používáme v našem simulačním modelu velikost skupiny pacientů g=5. Rychlost degradace ledvin δ jsme nastavili na 5 procent podle zpráv, že orgány jsou po CIT 48 h používány jen zřídka [6]. Při δ=0.05 se kvalita ledvin zhorší na (1 − 0.05) {{10}},5 procenta původní kvality po 48 hodinách. Na základě diskusí s lékařským spolupracovníkem používáme pravděpodobnost transplantace p(transplantace)=0.8 pro všechny oblasti. Z dat lze také odhadnout pravděpodobnost pro každý region, ale informace o odmítnutí nabídek ledvin nám v současné době nejsou k dispozici. Parametry , , a pro funkci přínosu B(h0, qt) a nákladový faktor C(h0}}, w) lze odhadnout, pokud výsledná data včetně příspěvku - je k dispozici přežití po transplantaci. Protože však naše datová sada tato data neobsahuje, používáme v naší simulaci=0.4,=8 a=0.5. Do čekací listiny přidáváme pacienty se zdravím h0 vybranou z náhodné veličiny H0 s Weibullovým rozdělením. Parametr měřítka a=8 a parametr tvaru b=2 používáme k získání průměrného zdraví téměř 7 let a přibližně 90 procent populace mladší 12 let. Použili jsme Spearmanovu hodnostní korelaci ρ(H0, K) 0,2, blízkou korelaci mezi přijatou kvalitou ledvin a zdravím pacienta pozorovaným v datech.

4.2. Výběr regionu a vícenásobný výpis

Pro ilustraci přístupu k výběru regionu uvádíme výsledky pro cílového pacienta s krevní skupinou A, jeden rok života na dialýze (h0=1), který je aktuálně na pozici 100 z pořadníku. Čekací listinu plníme náhodně generovanými pacienty (jejichž zdraví je čerpáno z Weibullova rozdělení s korelovaným prahem politiky). Provádíme stejnou simulaci 100krát pokaždé pro prahové hodnoty rozhodování k ∈ {0, 0,1, 0,2, · · ·, 0,9} a zprůměrujeme výsledky 100 běhů, abychom odhadli očekávanou užitečnost pro každý práh.

Tabulka 6 uvádí výsledky pro optimální práh, k∗i, vedoucí k největší očekávané potransplantační užitečnosti, Ui(k∗i), pro každou oblast. Theledvinamíra příchodu do fronty (pacienti na čekací listině krevní skupiny A) za rok je µA a qt je průměrná kvalita transplantované ledviny. Pokud je například cílový pacient zařazen do oblasti 6, je optimální práh k=0,65, což vede k užitečnosti 9,6 let. Naproti tomu, pokud je zařazena do regionu 2, optimální rozhodnutí může být až 0,85 s užitečností 13,22 let.

Tabulka 7 představuje odhadovaná data, která jsme použili v našem optimalizačním modelu k nalezení souboru proveditelných oblastí pro pacienta s krevní skupinou A, o kterém se předpokládá, že v současné době žije a je zařazen do regionu 6. K odhadu očekávané čekací doby a { {2}}roční míru přežití takových pacientů ve všech 11 oblastech. V každém regionu vybereme hlavní město a odhadneme jeho odpovídající měsíční životní náklady pomocí indexu životních nákladů města. Náklady na hodnocení jsou definovány jako součin celkového očekávaného počtu hodnocení doledvinatransplantace a náklady na hodnocení. Očekávaný počet hodnocení je odhadován na základě 6-měsíčních zásad přehodnocování stanovených většinou transplantačních center. Obecně platí, že pacient je odpovědný za úhradu nákladů na pravidelné hodnocení, pokud si přeje být zařazen ve více než jednom regionu, protože většina pojistných smluv kryje náklady na pravidelné hodnocení pouze jedné registrace. Celkové náklady se vypočítají následovně: celková částka peněz, kterou musí pacient zaplatit (počet hodnocení krát náklady na hodnocení) plus náklady na cestu do jiného regionu a pobyt v něm po dobu tří dnů.

Jako příklad zde předpokládáme, že pacient má rozpočet C=15 $,000. Může také cestovat až D=1500 mil a její minimální očekávání od výkonu regionu je 75 procent pětiletého přežití. Ve snaze maximalizovat její posttransplantační výsledek za těchto tří omezení náš model zjišťuje, že kromě domovského regionu 6 může být pacientka zařazena také do oblastí 5, 4 nebo 8, přičemž oblast 5 poskytuje nejvyšší očekávanou užitečnost. OPTN se zavázala poskytovat spravedlivý přístup k transplantacím a snižovat geografické rozdíly [16]. V rámci bezplatného vícenásobného zápisu mají pacienti motivaci zapsat se v co největším počtu regionů vzhledem ke svým rozpočtovým omezením. To znamená, že přístup k transplantaci je ovlivněn finančními zdroji pacienta, což může představovat problém z hlediska spravedlnosti a spravedlnosti. Z dlouhodobého hlediska však může volný výběr regionů a vícenásobné záznamy snížit geografické rozdíly. Více pacientů se přihlásí do regionů, které v současnosti nabízejí vyšší užitek, vyrovnávají rozdíly v poptávce a snižují mezeru v užitku. V tomto okamžiku se výhoda většího rozpočtu na narukování ve více regionech sníží, což povede ke spravedlivější situaci. V krátkodobém horizontu je třeba dočasně zajistit spravedlnost vhodnými politikami, aby bylo možné zpřístupnit více seznamů více pacientům.

4.3. Vliv sdílení informací na efektivitu alokace

Jednou z iniciativ Strategického plánu OPTN (2018–2021) [16] s cílem zvýšit počet transplantací je prosazovat systémové nástroje pro efektivnější párování dárce a příjemce. Mezi tyto nástroje patří nástroje pro sdílení informací, což znamená, že transplantační centrum a pacient sdílejí aktuální informace s OPTN, což má potenciál urychlitledvinaalokační proces a tím snížit dobu studené ischemie (CIT) a rychlost vyřazení ledvin.

Informace, které lze sdílet, zahrnují:

1. Práh přijetí pacienta k: Každý pacient ji hlásíledvinapráh přijatelnosti kvality k rozhodla ona a její lékař.

2. Jakákoli další rozhodovací kritéria používaná pacientem: Rozhodnutí pacienta a chirurga mohou být ovlivněna informacemi, které nejsou obsaženy vledvinahodnocení kvality (KDPI). Zlepšilo by se mít standardizovanější parametry kvality, kde by pacientka mohla předem specifikovat, co přijímáledvinapřidělení. Pod úplnými informacemi mohl OPTN okamžitě identifikovat pacienty, kteří by ledvinu přijali, a ušetřit tak cennou CIT.

3. Aktuální dostupnost pacienta: Aktuální údaj o tom, zda pacient může v současné době podstoupit transplantaci. Mezi faktory patří aktuální zdraví a cestování.

4. Dostupnost transplantačního centra: zohledňuje dostupnost transplantačního centra – jsou zde zařízení jako připravené operační sály, chirurgové, sestry a personál pro včasné provedení operace.

Při dokonalé informovanosti by měl OPTN přístup k aktuálním informacím o všech prahových hodnotách přijatelnosti pacientů k, případných dalších požadavcích na orgán a o dostupnosti pacienta a centra. OPTN tedy mohl přímo identifikovat prvního pacienta na čekací listině, který transplantaci přijme a obdrží. To účinně sníží CIT, tj. t, na minimum potřebné k extrakci orgánu a provedení transplantace. V simulačním modelu lze dokonalé informace vyjádřit nastavením g na délku pořadníku, což znamená, že celý pořadník je okamžitě prohledán pro odpovídajícího pacienta. Předpoklad dokonalých informací je z mnoha důvodů nereálný. Technické problémy mohou například ovlivnit dostupnost informací a pacienti nebo centra nemusí udržovat všechny informace neustále aktuální. Realističtější nastavení je vylepšeno, ale stále nedokonalé sdílení informací. Více informací znamená, že pacienti mohou být rychleji identifikováni pomocí sdílených informací. Tuto skutečnost v simulačním modelu vyjadřujeme zvýšeným počtem pacientů, které lze vyhledat za hodinu (tj. nárůstem g).

Pro ilustraci efektu lepšího sdílení informací uvádíme výsledky pro pacienty krevní skupiny A v regionu 6. Inicializujeme čekací listinu s 1000 pacienty a spouštíme simulaci, dokud se délka čekací listiny nestabilizuje kolem 1800 pacientů (200 měsíců). Uvádíme výsledky po tomto období zahřívání v průměru za 300 měsíců. Základní čára je aktuálně používaná velikost skupiny g=5. Variujeme g, abychom reprezentovali různé úrovně sdílení informací.

Tabulka 8 ukazuje dopad sdílení informací vyjádřený tím, kolik pacientů na čekací listině lze efektivně vzít za hodinu. Při výchozí velikosti pětičlenné skupiny je průměrná kvalita akceptované ledviny 0,66, což vede k průměrné užitečnosti 10,76 let na jednoho transplantovaného pacienta. Ledvina může cestovat až 45 pacientům na čekací listině a přijímá ji v průměru šestý pacient. Tabulka 9 uvádí kromě četnosti transplantací využití ledvin a úmrtnost na čekací listině. Míra využití ledvin se výrazně zvyšuje se zvýšením g.

Jak ukazuje obrázek 5, zlepšení vledvinačetnost transplantací je 17 procent pro zdvojnásobení rychlosti nabídkového procesu g=10 a dosahuje 47 procent, když jsou k dispozici dokonalé informace. Na druhou stranu úmrtnost na čekací listině klesá o 7 procent, když g=10, a snížení může být až 21 procent . Simulace ilustruje vliv na efektivitu, který může sdílení informací přinést do procesu alokace.

Sdílení informací lze realizovat mnoha způsoby, za použití současných technologií. Příklady zahrnují používání aplikací a lékařských nositelných zařízení ke sledování dostupnosti pacienta téměř v reálném čase. Pro řízení dostupnosti centra lze využít standardizovaná rozhraní mezi informačním systémem transplantačních center a OPTN. Zavedení těchto technologií bude nějakou dobu trvat, ale výsledky uvedené v této simulační studii naznačují, že potenciální přínos je významný s potenciálem snížitledvinavýmětové sazby na minimum.

5. Závěrečné poznámky

Prvním příspěvkem tohoto výzkumu je vývoj simulačního modelu, který poskytuje optimálního zesnulého dárceledvinaakceptační pokyny pro osoby s rozhodovací pravomocí (pacienty a chirurgy). Hlavní výzvou modelování přijímání/odmítání orgánů je začlenění reálných podmínek a situací, aby bylo možné učinit zásadní rozhodnutí o záchraně života. Z tohoto důvodu je naším primárním záměrem jako hlavní novinkou této práce rozpoznat, agregovat a implementovat různé základní prvky, které přispívají ke kritériím výběru ledvin. Navrhovaný model umožňuje rozmanitost zdraví pacientů aledvinakvalitu a také jejich vzájemný vztah. Kromě toho zahrnujeme zhoršení kvality ledvin způsobené hromaděním CIT v průběhu procesu alokace. Kromě všech výše uvedených prvků také začleňujeme zdraví a dostupnost pacienta spolu s lidskými a provozními zdroji, abychom navrhli optimální řešení transplantace.

Navrhovaný model lze použít ke zkoumání toho, jak mohou různé politické volby ovlivnit strategické cíle stanovené OTPN [16]. Ilustrovali jsme to dvěma aplikacemi. Nejprve jsme ukázali, jak lze tento model použít k informování pacientů při rozhodování o vícenásobném zařazení s ohledem na náklady, vzdálenost a omezení kvality péče. Zatímco vícenásobné zařazení na seznam může z krátkodobého hlediska představovat problémy pro rovnost mezi pacienty na základě finančních zdrojů, má potenciál vyrovnat geografické rozdíly v přístupu k transplantacím, a tak zvýšit rovnost.

Druhá ilustrace upozorňuje na aspekt sociálního blahobytuledvinatransplantaci spíše než se zaměřit na nalezení optimálního řešení, jak bylo uvažováno v první aplikaci. Porovnáváme výsledky sociálního blahobytu (tj. využití ledvin dárců a celosystémové potransplantační využití) pro několik úrovní dostupných informací, od žádných informací po dokonalé informace. Zvýšená informovanost vede k rychlejšímu přiřazení ledvin a snížené míře vyřazení ledvin. Zvýšení četnosti transplantací zlepšuje sociální užitek a zkracuje délku transplantaceledvinačekací listina na transplantaci, čas a úmrtnost. Tvůrci politik mohou tyto výsledky využít k motivaci hodnoty moderních informačních technologií ke sběru potřebných informací a ukázat, jak je důležité navrhovat pobídkové struktury, které podporují včasné sdílení informací mezi pacienty a centry. Například návrh aplikace pro transplantaci orgánů pro chytré zařízení může poskytnout bezpečný, snadný a rychlý způsob, jak včas odeslat a aktualizovat požadované informace. Tvůrce politik může chtít stanovit základní pravidlo, které musí všichni pacienti a transplantační centra dodržovat, aby mohli dostávat nabídky. Například pomocí povinných technologií a služeb aplikací mohou transplantační centra pravidelně revidovat nebo ověřovat svá odeslaná data (např. každý den) poté, co pozice pacienta na čekací listině překročí určitou hranici. Navrhovaný model je dostatečně jednoduchý a flexibilní, aby jej bylo možné snadno přizpůsobit pro zkoumání mnoha dalších aspektů procesu přiřazování ledvin.

Author Cnatributinas:Autoři se na této práci podíleli stejnou měrou. Všichni autoři si přečetli publikovanou verzi rukopisu a souhlasí s ní

Fonding:Tento výzkum nezískal žádné externí financování.

Institutinaal Review Board Statement:Nelze použít.

Informvyd Consent Statement:Nelze použít.

Data Availability Statement:Soubor dat použitý v této analýze lze získat prostřednictvím UNOS.

Conflicts of Interest:Autoři neuvádějí žádný střet zájmů.

cistanche kulturistika

References

1. Kalifornská univerzita San Francisco. TheledvinyProjekt — Vytvoření bioartificiáluledvinyjako trvalé řešení selhání ledvin. Dostupné online: (vstup 4. dubna 2020).

2. NárodníledvinyNadace. Statistika dárcovství orgánů a transplantací. 2016. Dostupné online: (vstupeno 16. 4. 2020).

3. Regiony UNOS: Regionální zdroje transplantací orgánů. Dostupné online: (vstupeno 20. března 2020).

4. OPTN. Zásady platné od 6. prosince 2020 [Ex Comm 9.9.A.]. Dostupné online: (vstup 2. 1. 2021).

5. Wey, A.; Salkowski, N.; Kasiske, BL; Israni, AK; Snyder, JJ Vlivledvinachování při přijímání nabídky na metrikách efektivity alokace. Clin. Transplantace. 2017, 31, e13057.

6. Koizumi, N.; DasGupta, D.; Patel, AV; Smith, TE; Mayer, JD; Callender, C.; Melancon, JK Geografické variace v době studené ischemie:ledvinyVersus transplantace jater ve Spojených státech, 2003 až 2011. Transplantace. Přímo2015, 1, e27.

7. Howard, DH Proč transplantační chirurgové odmítají orgány?: Model rozhodnutí o přijetí/odmítnutí. J. Health Econ. 2002, 21, 957-969.

8. Lawson, C.; Johnson, D.; Clapper, D.; Fowler, K.; Kapur, S. SníženíledvinyMíra vyřazení. Ledvinové novinky. 2017. Dostupné online:(vstupeno 22. 2. 2020).

9. Zhang, J. Zvuk ticha: Observační učení v USAledvinatrh. Označit. Sci. 2010, 29, 315–335.

10. Schold, JD; Buccini, L.; Srinivas, T.; Srinivas, R.; Poggio, E.; Flechner, S.; Soria, C.; Segev, D.; Fung, J.; Goldfarb, D. Asociace středisek hodnocení výkonnosti aledvinaobjem transplantací ve Spojených státech. Dopoledne. J. Transplant. 2013, 13, 67–75.

11. Shold, J.; Buccini, L.; Poggio, E.; Flechner, S.; Goldfarb, D. Asociace pro odebrání kandidátů zledvinySeznam čekatelů na transplantaci a dohled nad výkonem centra. Dopoledne. J. Transplant. Vypnuto. J. Am. Soc. Transplantace. Dopoledne. Soc. Transpl. Surg. 2016, 16, 1276–1284.

12. Bae, S.; Massie, AB; Luo, X.; Anjum, S.; Desai, NM; Segev, DL Změny ve výmětu po zavedení indexu profilu dárců ledvin (KDPI). Dopoledne. J. Transplant. 2016, 16, 2202–2207.

13. Schold, JD; Buccini, LD; Goldfarb, DA; Flechner, SM; Poggio, ED; Sehgal, AR Asociace meziledvinavýkonnost transplantačního centra a přínos přežití transplantace oproti dialýze. Clin. J. Am. Soc. Nephrol. 2014, 9, 1773–1780.

14. Haller, MC; Kainz, A.; Baer, ​​H.; Oberbauer, R. Ročník dialýzy a výsledky poledvinatransplantace: Retrospektivní kohortová studie. Clin. J. Am. Soc. Nephrol. 2016, 12, 122–130.

15. UNOS. Mluvíme o transplantaci – často kladená otázka o vícenásobném výpisu a převodu čekací doby. 2017. Dostupné online: (vstupeno 13. 6. 2020).

16. OPTN. Strategický plán OPTN/UNOS 2018–2021. Dostupné online: (vstupeno 12. dubna 2020).

17. Chakkera, HA; Chertow, GM; O'Hare, AM; Amend, WJ; Gonwa, TA Regionální variace vledvinavýsledky transplantace: Trendy v čase. Clin. J. Am. Soc. Nephrol. 2009, 4, 152–159.

18. Ardekani, MS; Orlowski, JM Vícenásobný výpis vledvinatransplantace. Dopoledne. J.ledvinyDis. 2010, 55, 717–725.

19. UNOS. Vícenásobný výpis. Dostupné online:(vstupeno 1. prosince 2018).

20. Gharibi, Z.; Ayvaci, MU; Hahsler, M.; Giacoma, T.; Gaston, RS; Tanriover, B. Nákladová efektivita indukční terapie na bázi protilátek u zemřelého dárceledvinatransplantace ve Spojených státech. Transplantace 2017, 101, 1234.