Vývoj a validace rizikového indexu pro predikci přežití ledvinového štěpu: Index rizika transplantace ledviny

edmund.chen@wecistanche.com

Úvod

Transplantace ledvinnabízí lepší kvalitu života a lepší přežití ve srovnání s ostatnímiledvinasubstituční terapie [1]. Zdravotní systémy na celém světě se však snaží překlenout rostoucí propast mezi vysokou poptávkou potransplantace ledvina omezená nabídka. Jednou ze strategií je režieledvinaštěpy příjemcům s nejdelší životností, čímž se snižuje jak počet selhání štěpu, tak i počet pacientů umírajících s funkčním štěpem [2]. Modely predikce rizik, predikující selhání štěpu před transplantací, jsou klinickou podporou při komplexním rozhodování o výběru příjemců s největší dlouhověkostí a aloštěpů s nízkým rizikem selhání. Je jich několikledvinamodely predikce rizika štěpu v literatuře, které napomohly lékařskému rozhodování založenému na důkazech v klinické praxi [3, 4]. TheledvinyDonor Risk Index (KDRI) vyvinutý Rao et al. v roce 2009 se široce rozšířil do klinického rozhodování [3] a používá se v USAledvinyAlokační systém [5]. Te C-index, který indikuje schopnost predikčního modelu rozlišit déle přežívající štěpy od kratších přeživších štěpů, je však 0.62, hodnota označující pouze rozumnou diskriminaci. Nové přístupy založené na statistice nebo metodách strojového učení mají potenciál přinést přesnější předpovědi [6].

Strojové učení se v posledních desetiletích rychle vyvíjelo a je již aplikováno v některých oblastech lékařské diagnostiky [7]. Nedávný systematický přehled naší skupiny zdůraznil roli modelů předpovědi rizik založených na strojovém učení v lékařském rozhodování, což vede k přesnějšímtransplantace ledvinpředpovědi výsledku [8]. Náš přehled však zjistil, že modely jiné než modely vyvinuté ve Spojených státech byly běžně odvozeny z velikostí vzorků s méně než 1,{2}} pacientem. Navíc žádný z dosud vyvinutých modelů strojového učení nemodeloval čas do události (přežití) [8]. Místo toho většina používala binární výsledek selhání nebo ne. Binární přístup však léčí štěp, který přežije jeden rok, stejně jako štěp, který selže po dvou letech, což má pro pacienta a zdravotní systém výrazně odlišné výsledky. Tyto modely nezohledňují ztrátu při sledování. Proto začlenění dynamiky času do události do predikčního modelu vytváří klinicky a ekonomicky důležité dodatečné informace [9]. Naším cílem bylo vyvinout a ověřit statistické modely a prediktivní modely strojového učení pro predikci selhání štěpu po zemřelém dárcitransplantace ledvin,pomocí dat od času do události ve velkém národním souboru dat z Austrálie.

klíčová slova:Predikce rizika, strojové učení, selhání štěpu, transplantace ledviny, ledvina 

MetodyProtokol této studie byl recenzován a publikován [10]. Stručně řečeno, tři modely strojového učení (strom přežití[11], náhodný les přežití[12] a vektorový stroj podpory přežití[13]) a jeden tradiční regresní (Coxova regrese[14]) modely času do události (doba přežití) vytvořené. Tato studie je prezentována pomocí metodologie Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD)[15]. Zdrojem dat studijní kohorty byl Dialyzační a transplantační registr Austrálie a Nového Zélandu (ANZDATA)[16]. Shromažďuje a hlásí prevalenci, výskyt a výsledky dialýzy atransplantace ledvinpacientů po celé Austrálii. Soubor dat obsahoval charakteristiky dárce a příjemce 7 365ledvinapouze transplantace od zemřelých dárců od 1. ledna 2007 do 31. prosince 2017 prováděné v Austrálii.

CISTANCHE ZLEPŠÍ ONEMOCNĚNÍ LEDVIN/RENÁL

VýsledekPrimárním výsledkem byl čas do selhání štěpu počínaje datem transplantace. Pacienti, kteří zemřeli s funkčním štěpem, byli zahrnuti a byli v den smrti správně cenzurováni. Pacienti s funkčním štěpem na konci období studie byli 31. prosince 2017 pravo cenzurováni. Šedesát pět pacientů (0,9 procenta) bylo ztraceno ve sledování a byli správně cenzurováni k poslednímu známému datu sledování. Nezávislé proměnné Naším cílem bylo vyvinout index rizika pro použití při rozhodování před transplantací, proto jsme použili pouze proměnné dostupné před transplantací a proměnné uvedené v ANZDATA napříč všemi skupinami pacientů. Celkem bylo identifikováno 67 možných nezávislých proměnných, charakteristik příjemce i dárce[17].

Vývoj modelubyl sekvenční proces s následujícími pěti kroky: příprava dat, rozdělení datové sady na trénovací a validační datové sady, výběr proměnných, trénování modelu a vyhodnocení modelu (obr. 1).

Krok 1: Příprava dat Před vývojem modelu byla data zpracována: zpracováním chybějících hodnot, fiktivním kódováním kategoriálních proměnných a škálováním spojitých proměnných. Soubor dat měl téměř 500000 datových bodů (7 365 pacientů × 67 nezávislých proměnných) a 2,5 procenta datových bodů chybělo. U většiny proměnných (64 procent) chybělo méně než 1 procento. U proměnných s chybějícími hodnotami byly použity vícenásobné imputace pro 14 kategoriálních proměnných a 17 spojitých proměnných s náhodným hot deckem a klasifikačními a regresními stromy (CART) pomocí balíčku R „simputation“[18] s úplným souborem dat 7 365 pacientů. Na základě znaleckého posudku byly chybějícím hodnotám 13 kategoriálních proměnných přiřazena samostatná kategorie „chybějící“, aby nedošlo ke ztrátě dat. Číselné nezávislé proměnné byly normalizovány pomocí min-max škálování a převedeny na podobnou škálu, aby se zjednodušila srovnání mezi proměnnými[19]. Kategorické proměnné byly fiktivně kódovány do nominálních kategorií. Po fiktivním kódování byl celkový počet nezávislých proměnných 98.

Krok 2: Školení a ověřovací dataTato datová sada byla náhodně rozdělena do dvou částí: tréninková datová sada a validační datová sada. Tréninková sada použitá k trénování čtyř prediktivních modelů obsahovala 70 procent dat (n=5,156). Validační sada (n=2,209) byla použita k robustnímu testování prediktivní schopnosti každého modelu. Samostatná ověřovací sada poskytla realističtější odhady přesnosti předpovědí modelů a pomohla vyhnout se nadměrnému přizpůsobení.

Krok 3: Výběr proměnnéDůležitým krokem v procesu vytváření modelu je výběr šetrné sady prediktorových proměnných z velké sady dostupných nezávislých proměnných (n=98). Příliš mnoho nezávislých proměnných v modelu riskuje, že se přežene, což zase sníží prediktivní schopnost[20]. K výběru nezávislých proměnných byly použity stromové metody: 1. Názor odborníka: Nefrologové se zkušenostmi se stromy zhodnotili potenciální soubor nezávislých proměnných a uvedli, zda má proměnná klinický význam. Dohoda alespoň dvou expertů byla považována za dostatečnou pro zahrnutí proměnné do modelu. 2. Analýza hlavních komponent [21] snižuje dimenzionalitu souboru dat tím, že jej transformuje na menší počet hlavních komponent na základě korelací mezi proměnnými. Tato sada komponent v ideálním případě zachovává většinu rozptylu, a tak neztrácí informace, ale využívá méně proměnných. Použili jsme počet hlavních komponent, které si zachovaly 90 procent původní odchylky. 3. Elastické čisté obchody – modelové stopy a složitost k nalezení šetrného modelu. Zkoumá řadu modelů využívajících penalizací, aby se zabránilo nadměrnému přizpůsobení, v rozsahu od žádné penalizace (Ridgeova regrese – L2) až po extrémní penalizaci (Lasso regrese – L1), aby se pomocí křížové validace našel ideální bod pro kompromis mezi penalizacemi[22]. . Hodnoty L1 a L2, které produkovaly nejnižší střední kvadraturu chyby během křížové validace, byly použity k ověření modelu elastické sítě. Tyto jednotlivé metody variabilního výběru byly aplikovány samostatně i ve všech možných kombinacích, např. znalecký posudek následovaný elastickou sítí. Proto bylo použito celkem sedm metod výběru proměnných pro vytvoření sedmi různých souborů nezávislých proměnných.

Krok 4: Modelový tréninkPoužili jsme čtyři přístupy k modelování doby do primární události, tj. výsledku přežití. Coxova proporcionální regrese[14]. Tento semiparametrický model se široce používá ke zkoumání vztahu mezi výsledky, jako jsou údaje o přežití a nezávislé proměnné. Po modelování vybraných nezávislých proměnných byl počet proměnných dále redukován tím, že byly zahrnuty pouze ty, které byly statisticky významné (p<0.05).  this="" made="" the="" model="" more="" parsimonious="" and="" also="" improved="" predictive="" power.="" survival="" tree[11].="" a="" survival="" tree="" is="" a="" tree-like="" structure,="" where="" leaves="" represent="" outcome="" variables,="" i.e.="" graft="" failure="" (1)="" or="" no="" graft="" failure="" (0),="" and="" branches="" are="" independent="" variables="" that="" influence="" the="" timing="" of="" the="" outcome.="" the="" complexity="" parameter="" was="" set="" to="" 0.00001="" and="" the="" following="" two="" hyper-parameters="" were="" regularized="" until="" the="" optimal="" tree="" was="" created:="" the="" minimum="" number="" of="" samples="" that="" must="" exist="" in="" a="" node="" in="" order="" for="" a="" split="" to="" be="" attempted,="" and="" the="" number="" of="" competitors="" splits="" retained="" in="" the="" output.="" random="" survival="" forest="" (rsf)="" [12].="" rsf="" is="" an="" ensemble="" method="" where="" numerous="" unpruned="" survival="" trees="" are="" developed="" via="" bootstrap="" aggregation[23,="" 24].="" te=""  'variable="" importance'="" was="" set="" to="" "permutation"="" and="" the="" splitting="" rule="" to="" "log-rank".="" te="" hyper-parameters,="" a="" number="" of="" variables="" to="" possibly="" split="" at="" each="" node,="" a="" number="" of="" trees="" and="" a="" minimum="" number="" of="" nodes="" were="" regularised="" to="" achieve="" the="" lowest="" out-of-bag="" prediction="" error.="" 'variable="" importance',="" a="" variable="" selection="" algorithm="" widely="" used="" in=""  rsf,="" was="" used="" to="" avoid="" overfitting="" and="" to="" reduce="" the="" prediction="">

Vektorový stroj na podporu přežití[13]. To využívá nadroviny k vytváření tříd nezávislých proměnných buď s lineárně (např. lineární funkce jádra) nebo nelineárně separovatelnými daty (např. polynomiální jádro)[26, 27]. Na základě výkonu modelu byly všechny modely podpůrných vektorových strojů vybaveny pomocí lineární funkce jádra s vektorovým modelem podpory přežití typu „regrese“. Sedm sad nezávislých proměnných bylo použito k trénování a ověření čtyř prediktivních modelů, které poskytly 28 výsledků: sedm metod výběru proměnných × čtyři prediktivní modely. Předpovězeným výsledkem pro každý ze čtyř modelů byl index na intervalové stupnici, kterou označímeTransplantace ledvinIndex rizika.

CISTANCHE ZLEPŠÍ SELHÁNÍ LEDVIN/RENÁL

Krok 5: Vyhodnocení modelůModely jsme hodnotili pomocí metod navržených Roystonem a Altmanem[28]. Výkonnost modelu byla hodnocena pomocí dvou metrik: diskriminace a kalibrace. Index s dobrou diskriminací by měl mít vyšší rizikové skóre pro pacienty s vyšším rizikem a naopak. Kalibrace měří přesnost predikce, protože porovnává přesnost předpokládaného přežití z indexu s přežitím v pozorovaných datech[29]. Pro naši studii je objektivní diskriminace důležitější než kalibrace, protože naším cílem je poskytnout vodítko pro rozhodování, které identifikuje pacienty s relativně vysokým a nízkým rizikem[28]. Nejlepší model byl proto vybrán pomocí indexu shody (C-index)[30], indexu, který hodnotí rozlišovací schopnost modelu. C-index je definován jako podíl párů pacientů, kdy pacient s delší dobou přežití má také nižší predikované skóre rizika. Rozsah shody je mezi nulou a jedničkou, přičemž vyšší hodnota znamená lepší výkon a 0,5 znamená náhodnou diskriminaci.

Při použití metod hodnocení Roystona a Altmana byly indexy nejlépe vyhovujících modelů kategorizovány do čtyř skupin v 16., 50. a 84. centilu, aby se vytvořily čtyři prognostické skupiny: Dobré, Docela dobré, Docela špatné a Špatné. Použití skupin nestejné velikosti zlepšilo rozlišení pacientů mezi čtyřmi skupinami a seskupenými pacienty s podobným rizikem[28]. Přežití těchto čtyř skupin bylo porovnáno pomocí Kaplan-Meierových grafů, které by v ideálním případě měly ukazovat velký rozdíl v přežití mezi čtyřmi skupinami.

Kalibrace byla vizuálně vyhodnocena pomocí nejlépe padnoucího Coxova modelu. K odhadu předpokládaného a pozorovaného průměrného přežití s ​​korekcí zkreslení po 3 a 5 letech po transplantaci byly použity vzorky Bootstrap [31]. Dokonalá shoda mezi předpokládaným a pozorovaným středním přežitím ukazuje na dokonale kalibrovaný predikční model. Nejlepší predikční model byl porovnán s prediktivní schopností KDRI, což je současný model používaný mnoha klinickými subjekty s rozhodovací pravomocí. Te KDRI má 14 proměnných souvisejících s dárcem a transplantací a byl vyvinut pomocí Coxovy regrese k predikci celkového selhání štěpu. Proměnné byly vybrány pomocí postupného mazání nevýznamných proměnných[3] a tato metoda výběru modelu má mnoho omezení dokumentovaných v literatuře, včetně kolinearity, příliš malých hodnot p a příliš úzkých intervalů spolehlivosti[32]. K vývoji prediktivních modelů byl použit programovací jazyk Te R (verze 3.6.{13}}) s knihovnami 'survivalism', 'ranger', survival' a 'LTRCtrees'[33].

EtikaČinnosti registru ANZDATA byly uděleny plné etické schválení Etickým výborem pro lidský výzkum Royal Adelaide Hospital. Tato studie získala etické schválení Queensland University of Technology.

Výsledek

Základní charakteristikyCharakteristiky příjemců a dárců jsou v tabulce 1. Celkový studijní vzorek měl 7 365 zemřelých dárcůtransplantace ledvinprovedeno od 1. ledna 2007 do 31. prosince 2017. Medián věku dárců byl 52 let (interkvartilní rozmezí 41 až 60) a příjemců 47 let (interkvartilní rozmezí 32 až 58). Většinu tvořili muži (63 procent). Asi 87 procent štěpů byly primární štěpy.

Výběr proměnných Bylo 98 potenciálně nezávislých proměnných. Tabulka 2 shrnuje výsledek tří přístupů k výběru podmnožiny nezávislých proměnných, které se nepřehodovaly, což vedlo k sedmi sadám nezávislých proměnných. Expertní posudek redukoval nezávislé proměnné na 40 proměnných, zatímco elastická síť to snížila na 46 proměnných. Aplikace všech tří metod výběru proměnných redukovala 98 potenciálních proměnných na 23 hlavních složek. Každá z těchto sedmi sad nezávislých proměnných byla použita k trénování a testování modelů. Během vytváření modelu byly nezávislé proměnné dále redukovány v Cox a RSF zahrnutím pouze těch, které byly statisticky významné (str<0.05) and="" including="" only="" those="" with="" positive="" 'variable="" importance'="" (a="" variable="" selection="" algorithm="" used="" in="" rsf),=""  respectively.="" model="" development="" and validation="" te="" predictive="" performance="" of="" the="" models="" is="" compared="" in="" table 3.="" cox="" proportional="" regression="" and="" rsf="" outperformed="" the="" other="" two="" models="" (i.e.="" survival="" tree="" and="" support="" vector="" machine).="" the="" highest="" c-index="" (0.67)="" was="" from="" a="" cox="" proportional="" regression="" model="" which="" used="" expert="" opinion="" as="" the="" variable="" selection="" method="" and="" rsf=""  which="" used="" the="" elastic="" net="" as="" the="" variable="" selection="" method.="" a=""  c-index="" of="" 0.67="" indicates="" the="" moderate="" discriminative="" ability="" of="" death-censored="" graft="" failure.="" the="" discriminative="" ability="" of="" kdri="" in="" discriminating="" death-censored="" graft="" failure="" was="" 0.53,="" a="" lower="" prediction="" ability="" than="" our="" two="" best="" models.="" the="" cox="" model="" used="" 7="" independent="" variables="" while="" the="" rsf="" used="" 20="" variables="" (table 4).="" since="" the="" cox="" model="" was="" able="" to="" produce="" the="" same="" discriminatory="" power="" with="" a="" lower="" number="" of="" variables,="" it="" was="" considered="" as="" the="" best="" fitting="">

Nejlépe padnoucí model CoxProtože věk dárce byl silným prediktorem přežití štěpu, byla do modelu přidána nelineární transformace věku (log základ 2). To zvýšilo C-index pouze o 0.003. Index jsme upravili na střední věk dárce (45 let) a příjemce (50 let). Index Coxova modelu je vypočítán tak, jak je znázorněno na obr. 2. Jako alternativa byl také použit Weibullův model, který předpokládá, že riziko je závislé na čase[34]. C-index byl však snížen o 0,0014, což nezvyšovalo diskriminaci, a tak jsme zachovali Coxův model. Hypertenze dárců (HR 1,43; 95% CI 1,16 až 1,76) zvýšila riziko při polycystickémnemoc ledvinjako primární onemocnění ledvin snížilo riziko (HR {{0}},66; 95% CI 0,48 až 0,91) (tabulka 5) selhání.

Rozložení indexu celkových pacientů ukazuje, že skóre rizikových skupin, "Dobré" (< 16th="" centile)="" and="" "fairly="" good"="" (16th–50th="" centile),="" have="" a="" narrow="" separation,="" whereas="" the="" other="" two="" categories="" ("fairly="" poor"="" and=""  "poor")="" are="" clearly="" separated="" (supplementary="" figure ="" 1).=""  this="" indicates="" that="" the="" cox="" model="" does="" better="" at="" separating="" the="" higher="" risk="" groups.="" the="" cox="" model="" was="" able="" to="" discriminate="" the="" extreme="" categories="" of="" graft="" failure="" risk="" (good="" vs="" poor)="" with="" good="" discriminative="" power="" (c-index="0.73)." discrimination="" between="" other="" groups="" was="" moderate="" (c-index="">0.6) (Tabulka 6). Kaplan-Meierovy křivky přežití ukazující smrt cenzurovanouledvinaselhání štěpu pro čtyři rizikové skupiny je na obr. 3. Jak se rizikové skupiny posouvají z „Dobrého“ do „Špatného“, křivky přežití ukazují výrazně zvýšené riziko selhání štěpu. Kromě toho ve srovnání se skupinou „Dobrá“, jak se skupiny posouvají z „Docela dobré“ na „Špatné“, se poměry rizik zvyšují jak v trénovacích, tak v ověřovacích souborech dat (tabulka 7). Tyto výsledky ukazují, že index má dobrou diskriminační schopnost[28].

Průměrné odhadované přežití ve srovnání s průměrným skutečným přežitím v 3-letech a 5- letech je vyneseno na obr. 4. V dokonale kalibrovaném modelu by datové body ležely podél přerušované čáry (dokonalá předpovědní čára) , což znamená dokonalou přesnost předpovědi. Průměrné skutečné přežití je trvale nižší než předpokládané přežití ve 3 i 5 letech. Mezera mezi dokonalou predikční linií a predikční linií se však v obou časových obdobích zmenšuje, jak se zvyšuje předpokládané přežití. Celkově Coxův model vykazuje střední úroveň přesnosti předpovědi.

Diskuse

Naše studie vyvinula model predikce rizika k předpovědi selhání štěpu a priori na velkém vzorku pacientů. Pomocí statistických metod a metod strojového učení jsme analyzovali čtyři možné predikční modely. Nejlepším modelem byl Coxův model predikce regresního rizika, který dokázal předpovědět selhání štěpu cenzurovaného smrtí se střední úrovní diskriminace a přesnosti predikce s použitím pouze sedmi nezávislých proměnných. Diskriminační síla současného indexu předčí většinu aktuálně dostupných modelů predikce rizika selhání štěpu.

Model predikce rizik byl vyvinut pro použití při rozhodování před transplantací (např.ledvinaalokace), proto byly za nezávislé proměnné považovány pouze proměnné dostupné před transplantací. Použili jsme interní validaci k vytvoření šetrného modelu, protože použití velkého množství nezávislých proměnných může snadno vytvořit modely se špatným výkonem, které nelze zobecnit kvůli nadměrnému přizpůsobení [35]. Postupný výběr proměnných, běžně používaná metoda výběru proměnných, která byla použita k vývoji KDRI, je nestabilní metodou, která může vytvářet modely, které fungují špatně při externí validaci [28]. K identifikaci pomohlo použití sedmi různých kombinací výběru proměnných v aktuální studii, identifikovaných kombinací expertního názoru a statistik

nejdůležitější proměnné, které vysvětlovaly většinu rozptylů v datech. Výsledkem šetrného modelu je index, který se snáze používá v klinickém prostředí. Poslední nejlepší Coxův model má sedm proměnných, což je méně než počet proměnných používaných v nejběžněji používaných modelech predikce rizika selhání štěpu [3, 36].

Coxův model překonal tři metody strojového učení použité ve studii. Přehled literatury ukazuje, že přesnost predikce poskytla smíšené výsledky při srovnání strojového učení a tradičních prediktivních metod [8]. Současná studie používala dvě metody strojového učení založené na stromech a horší výkon těchto metod v našich datech může naznačovat, že data nemají základní stromovou strukturu, kde jsou výsledky určovány binárními rozděleními. Riziko přežití štěpu může spíše záviset na kontinuálních prediktorech, jako je věk.

Náš model byl vyvinut k predikci selhání štěpu cenzurovaného smrtí, zatímco celkové selhání štěpu zahrnuje kombinaci selhání štěpu i smrti s funkčním štěpem. Znalost přežití daného dárceledvinaje v předtransplantačním rozhodování důležitější než celkové selhání štěpu [2]. V naší studii byl C-index selhání cenzurovaného štěpu 0,67. Clayton a kol. validoval americký KDRI pomocí australských dat [2] a C-index při rozlišování cenzurovaných

selhání štěpu bylo {{0}}.63, což je nižší diskriminace než výsledky získané zde. Zahrnutí charakteristik transplantátu i příjemce (celkové nezávislé proměnné 24) do KDRI však zvýšilo C-index selhání cenzurovaného štěpu na 0.70 v Clayton et al. studie. Tito autoři neposuzovali kalibraci (přesnost predikce), což brání komplexnímu srovnání s výsledky naší studie. Náš nejlepší model má C-index 0,67 pro pouhých sedm proměnných ve srovnání s C-indexem 0,70 pro 24 proměnných v posledně jmenované a kliničtí lékaři mohou toto malé zvýšení přesnosti považovat za nestojí za zvýšení složitosti. Predikční modely s mnoha proměnnými jsou také logisticky obtížnější, protože vyžadují sběr více dat a pouze jedna chybějící proměnná znamená, že předpověď nelze odhadnout.

Kromě toho, diskriminační síla současného indexu překonala několik dalších aktuálně dostupných indexů, včetně KDRI, jak bylo popsáno dříve. Kasiske a kol. (2010), vyvinul index s 11 proměnnými dárce a příjemce, který byl k dispozici před transplantací, a měl C-index 0.649 [37]. Novější index Molnara et al. z roku 2018 měl C-index 0,63 u pacientů s vysokým rizikem selhání štěpu. Tento index používal 10 charakteristik dárce a příjemce [38]. Proto byl index popsaný v tomto článku schopen dosáhnout vynikající diskriminační síly s menším počtem proměnných. Musíme však zvážit, zda je pro účely alokace přijatelná predikce využívající index s mírnou diskriminační schopností (C-index 0,67).ledviny, protože model má daleko k dokonalému C-indexu 1, což znamená my

nemůže si být jistý, že předpokládané alokace poskytnou nejlepší výsledky. Falešně vysoký index čtení v predikčním modelu v době transplantace může odradit lékaře i pacienta od přijetí dárce.ledvina. To je stigmatizující účinek chybného označení dárceledvinajako „mezní/nízká kvalita již byla zdokumentována [39].

Predikce selhání štěpu je komplexní fenomén, který zahrnuje charakteristiky dárce, vlastnosti související s odběrem dárcovského orgánu, charakteristiky příjemce, vlastnosti související s transplantací a posttransplantační faktory, jako je použití imunosupresivních léků. Rozhodnutí související sledvinaalokace musí být samozřejmě provedena před transplantací; proto transplantační procedurální a posttransplantační faktory nejsou v době tohoto počátečního rozhodování dostupné. Zdrojem variability, se kterou se nepočítá ve většině aktuálně dostupných predikčních modelů (jak dokazuje jejich pouze mírná míra diskriminační schopnosti), mohou být proto transplantované procedurální nebo potransplantační faktory. Mohou to být také faktory dárce nebo příjemce, které nejsou běžně zachycovány v databázích, stejně jako nepředvídatelné stochastické události, které vedou k nedokonalým předpovědím. To znamená, že dokonalý C-index 1 je pravděpodobně nemožný pro model využívající předtransplantační faktory. Je těžké vědět, jaký je nejvyšší dosažitelný C-index, a to by vyžadovalo samostatné modelování, které zahrnuje neověřitelné předpoklady o důležitosti 1) stochastických událostí a 2) neměřených prediktorů.

CISTANCHE ZLEPŠÍ INFEKCI LEDVIN/RENÁL

Te Coxův model byl schopen rozlišit extrémní kategorie rizika selhání štěpu (dobrý vs. špatný) s dobrou rozlišovací schopností (C-index=0.73), takže užitečnost nástroje mezi extrémními kategoriemi rizika selhání štěpu je lepší ve srovnání s jinými kategoriemi rizika. Omezení použití nástroje pouze mezi těmito kategoriemi rizik proto může přinést lepší výsledkytransplantace ledvinrozhodování. Použili jsme robustní interní validaci, ale externí validace je důležitým krokem k přijetí indexu rizika do klinického rozhodování, protože hodnocení výkonu modelu založeného pouze na interní validaci může vést k příliš optimistickému hodnocení výkonu [28]. Navíc většina lékařů nemusí být ochotna použít nástroj, který nebyl testován na jinémledvinapopulace. Proto navrhujeme, aby byl tento index před použitím v klinické praxi externě validován, aby bylo možné posoudit zobecnitelnost. Pokud index prokáže dobrou externí validitu, index má potenciál lépe ft dárce příjemcům, zlepšení prouduledvinapřidělení. Vzhledem k tomu, že tento index má vlastnosti dárce i příjemce, může předpovědět, která shoda dárce a příjemce má nejvyšší potransplantační přežití z dostupných možností.

Tato studie má několik omezení. Prediktivní model používal pouze proměnné shromážděné ANZDATA, proto jsme možná nezahrnuli úplný rizikový profil pacientů. Použili jsme pouze čtyři metody a další metody strojového učení, které mohly modelovat informace o čase do události, mohly přinést lepší výsledky. Modely strojového učení pro data o přežití však nejsou dobře vyvinuté, což omezuje náš výběr typů modelů nejlepších aplikací [35].

ZávěrSouhrnně lze říci, že nový index středně dobře rozlišuje pacienty s vyšším rizikem selhání štěpu a předpovídá selhání štěpu se střední úrovní přesnosti. Tento slibný nový index stojí za další krok externí validace, aby se prokázalo jeho použití v klinických podmínkách.

CISTANCHE ZLEPŠÍ FUNKCI LEDVIN/RENÁL