Účinky složení těla odvozeného od umělé inteligence na transplantaci ledvin a přežití pacientů v programu Eurotransplant Senior

Abstraktní:

Program Eurotransplant Senior přiděluje ledviny starším pacientům po transplantaci. Tato retrospektivní studie si klade za cíl prozkoumat použití počítačové tomografie (CT) tělesného složení pomocí segmentace tkání na základě umělé inteligence (AI) k predikci přežití pacienta a transplantace ledviny. Tělesné složení na úrovni třetího bederního obratle bylo analyzováno u 42 příjemců transplantované ledviny. Coxova regresní analýza 1-rok, 3-rok a 5-roční přežití pacientů, 1-rok, 3-rok a 5-rok cenzurováno přežití po transplantaci ledviny a 1-rok, 3-rok a 5-rok přežití necenzurovaného transplantátu ledviny. Za prvé, index tělesné hmotnosti (BMI), index svalů psoas (PMI), index kosterního svalstva (SMI), viscerální tuková tkáň (VAT) a podkožní tuková tkáň (SAT) sloužily jako nezávislé varianty. Za druhé, hraniční hodnoty sarkopenie a obezity sloužily jako nezávislé variace. 1-roční přežití necenzurovaného a cenzurovaného transplantátu ledviny bylo ovlivněno sníženým PMI (p=0,02 a p=0,03, v tomto pořadí) a sníženým SMI (p=0). 01 a p=0.03, v tomto pořadí); 3-roční přežití po transplantaci ledviny bez cenzury bylo ovlivněno zvýšenou DPH (p=0,04) a 3-roční přežití po transplantaci ledviny bez cenzury bylo ovlivněno sníženým SMI (p=0. 05). Sarkopenie navíc ovlivnila 1-roční přežití necenzurovaného transplantátu ledviny (p=0,05), zatímco obezita ovlivnila 3-roční a 5-roční přežití necenzurovaného transplantátu ledviny. Stručně řečeno, analýza tělesného složení založená na AI může pomoci při predikci krátkodobého a dlouhodobého přežití transplantované ledviny. Klíčová slova: transplantace ledvin; transplantace; Eurotransplant Senior Program (ESP); složení těla; počítačová tomografie (CT); umělá inteligence (AI).

Klikněte pro Cistanche tubulosa Tablety na ledviny

1. Úvod

Ve stárnoucí společnosti je křehkost jednou z největších výzev, kterým čelí zdravotní péče, protože pacientům trpícím sarkopenií, kachexií a obezitou hrozí prodloužená hospitalizace, perioperační komplikace a horší celkové přežití [1,2]. Proto je žádoucí vhodná identifikace těchto rizikových pacientů. Na rozdíl od indexu tělesné hmotnosti (BMI) analýza tělesného složení založená na umělé inteligenci (AI) může rozlišit relativní podíly různých tkání pomocí parametrů svalů a tukové tkáně, včetně indexu kosterního svalstva (SMI), indexu psoas svalů (PMI), viscerální adipózní tkáň (VAT) a podkožní tuková tkáň (SAT) [3]. Kromě toho lze analýzu tělesného složení použít k detekci sarkopenie, která je definována jako přítomnost nízké svalové hmoty pomocí hraničních hodnot specifických pro pohlaví, a sarkopenické obezity, která je definována jako kombinovaná přítomnost sarkopenie a obezity [4]. . Metabolické informace odvozené z tohoto druhu analýzy individuálního tělesného složení mohou identifikovat křehké pacienty (např. pacienty se sarkopenickou obezitou, kteří mají normální BMI se sníženou svalovou hmotou a těžkou obezitou) [5]. Příjemci transplantované ledviny ve věku 65 let a starší s terminálním onemocněním ledvin profitují z přidělení transplantované ledviny v programu Eurotransplant Senior Program (ESP) tím, že mají lepší míru přežití a kvalitu života ve srovnání s léčbou na hemodialýze [6,7]. . Navzdory výhodám pro přežití mají příjemci transplantované ledviny stále vysokou mortalitu ve srovnání s běžnou populací [8].

Nedostatek orgánů a perioperační morbidita vyžadují pečlivé vyšetření potenciálních příjemců transplantace ledviny, aby byl zajištěn optimální výsledek. Kromě kardiovaskulárních onemocnění, arteriální hypertenze a diabetes mellitus je předoperační křehkost spojena s vyšším rizikem úmrtí a opožděnou funkcí štěpu [9,10]. U obézních pacientů jsou navíc častější chirurgické komplikace a opožděná funkce štěpu [11,12]. Zejména u starších a diabetických pacientů se rutinně provádí počítačová tomografie (CT) břicha a pánve k detekci kalcifikace iliakální kosti, protože onemocnění periferních cév zvyšuje riziko transplantační ischémie [13]. Obecně platí, že informace získané z CT slouží pouze k plánování optimálního umístění štěpu [14]. Tyto zobrazovací studie by však mohly být snadno použity také pro další předoperační analýzu tělesného složení [15]. Parametry tělesného složení CT byly identifikovány jako prediktory výsledku u mnoha kardiovaskulárních a onkologických onemocnění. Například se uvádí, že složení těla předpovídá život ohrožující progresi zvětšení aorty u Marfanova syndromu nebo závažných komplikací, prodloužené hospitalizace a celkového přežití u karcinomu jícnu [16,17]. Navíc bylo zjištěno, že abdominální obezita predikuje koronární srdeční onemocnění a zdá se, že PMI předpovídá výsledky u pacientů podstupujících transkatétrovou implantaci aortální chlopně [18,19]. Tato studie předpokládá, že parametry tělesného složení založené na umělé inteligenci mohou ovlivnit 1-rok, 3-rok a 5-roční přežití pacientů, 1-rok, 3-rok, a 5-roční přežití cenzurovaného transplantátu ledviny a 1-rok, 3-rok a 5-rok přežití necenzurovaného transplantátu ledviny u starších příjemců transplantátu ledviny z ESP. Vzhledem k tomu, že počáteční hodnocení starších kandidátů na transplantaci ledviny běžně zahrnuje CT vyšetření břicha a pánve, použili jsme data z CT pro retrospektivní analýzu individuálního tělesného složení na základě umělé inteligence, abychom identifikovali možné zobrazovací prediktory a zobrazovací rizikové faktory pro přežití pacienta a transplantátu. .

2. Materiály a metody

2.1. Studovat design

V této jednocentrické studii jsme analyzovali složení těla v retrospektivním souboru dat příjemců transplantátu ledviny z ESP, kteří podstoupili CT vyšetření břicha a pánve pro počáteční hodnocení před transplantací. Studie byla schválena institucionálním kontrolním výborem a provedena v souladu s Helsinskou deklarací.

2.2. Populace a charakteristiky pacientů

Příjemci transplantované ledviny z ESP ve věku 65 let a starší byli zahrnuti do této studie, pokud podstoupili CT dolní části břicha a pánve pro počáteční hodnocení. Na CT byli odesláni z Chirurgické nebo Nefrologické kliniky. Všichni zahrnutí pacienti podstoupili v letech 2011 až 2016 v našem univerzitním transplantačním centru solitární transplantaci ledviny. Kritéria vyloučení byli pacienti bez CT před operací a ve věku<65 years.="" additionally,="" patients="" were="" excluded="" if="" their="" ct="" images="" did="" not="" include="" the="" third="" lumbar="">

2.3. Základní data

Dva pacienti museli být vyloučeni, protože CT jejich podbřišku a pánve nezahrnovalo třetí bederní obratel. Do této studie bylo zařazeno celkem 42 pacientů s průměrným věkem 69 ± 4 roky v době transplantace (rozmezí: 65 až 80 let): 13 žen a 29 mužů. Průměrná hmotnost byla 78 ± 14 kg a průměrná výška 171 ± 8 cm. BMI byl vypočten pomocí následujícího vzorce: BMI=hmotnost/výška2 (kg/m2): průměrný BMI byl 27 ± 7. Téměř všichni pacienti dostávali basiliximab pro indukci a Tac/MMF/MP pro udržení imunosuprese. Jeden pacient dostal rATG pro indukci a další pacient dostal CyA/everolimus/MP pro trvalou imunosupresi. Další klinické charakteristiky příjemců transplantovaných ledvin a dárců orgánů jsou shrnuty v tabulce 1.

2.4. Sběr dat, sledování a koncové body

Všechna data byla získána ze záznamů pacientů a klinické databáze. 31 příjemců transplantované ledviny navštěvovalo následnou péči v našem univerzitním transplantačním centru v 3-měsíčních intervalech a 11 příjemců transplantované ledviny bylo sledováno místními nefrology nebo praktickými lékaři. Míra sledování 1 rok, 3 roky a 5 let po transplantaci byla 100 procent. Koncové body byly definovány jako 1-rok, 3-rok a 5-roční přežití pacientů a 1-rok, 3-rok a 5-rok cenzurované přežití transplantátu a necenzurované (= necenzurované pro smrt) přežití transplantátu.

2.5. Analýza složení těla

K analýze tělesného složení byly použity dostupné CT soubory pořízené na Radiologické klinice a externích místech. Segmentace obrazu byla provedena pomocí automatizovaného softwarového nástroje založeného na AI pomocí konvoluční neuronové sítě U-net (Visage verze 7.1, Visage Imaging GmbH, Berlín, Německo). Síť se skládá z devíti bloků: čtyři bloky se sestupným vzorkováním, čtyři bloky se vzestupným vzorkováním a jeden mezi nimi. Tréninková data se skládala z 200 axiálních CT snímků úrovně L3 a během tréninku byla aplikována augmentace pro zlepšení zobecnění sítě. Psoas sval, kosterní sval, viscerální tuková tkáň a podkožní tuková tkáň byly automaticky odděleny a označeny různými barvami. Automatickou segmentaci kontroloval zkušený radiolog. V několika případech byla segmentace obrazu na základě AI ručně opravena, například když byla hypodenzní stolice ve střevě chybně interpretována jako tělesný tuk. Software automaticky vypočítal plochu v centimetrech čtverečních (cm2) a hustotu v Hounsfieldových jednotkách každé třídy segmentované tkáně. Oblasti kosterního svalstva, viscerální tukové tkáně (VAT) a podkožní tukové tkáně (SAT) na L3 byly odvozeny pro analýzu tělesného složení. Index psoasového svalu (PMI) byl vypočten pomocí následujícího vzorce: plocha psoasového svalu (cm2)/plocha tělesného povrchu (m2). Index kosterního svalstva (SMI) byl vypočten pomocí následujícího vzorce: plocha kosterního svalstva (cm2)/plocha povrchu těla (m2). Příklady automatizované analýzy složení těla založené na AI jsou uvedeny na obrázku 1.

2.6. Indukce a udržovací imunosuprese

Volba indukční terapie byla založena na imunologickém riziku. Příjemci transplantátu ledviny s nízkým imunologickým rizikem podstoupili blokádu interleukin{0}} receptoru basiliximabem a příjemci s vysokým imunologickým rizikem podstoupili indukci deplece lymfocytů pomocí rATG. Primární imunosuprese sestávala z trojkombinace inhibitoru kalcineurinu (CNI), takrolimu nebo cyklosporinu, antimetabolitu (mykofenolát mofetil (MMF), kyseliny mykofenolové (MPA) nebo azathioprinu) a steroidů. Léčba steroidy byla snižována během 8 týdnů na dávku 4 mg methylprednisolonu/den.

2.7. Statistická analýza

Pro analýzu {{0}}roku, 3-roku a 5-ročního přežití pacientů a přežití transplantované ledviny byla provedena multivariační Coxova regrese a p Menší nebo rovno 0,05 považováno za označení významného rozdílu. Kaplan-Meierovy křivky byly vyneseny pro 3-rok a 5-rok přežití necenzurovaného transplantátu ledviny a bylo provedeno log-rank testování. Všechny analýzy dat byly provedeny pomocí IBM SPSS Statistics verze 27 (International Business Machines Corporation, IBM, Armonk, NY, USA). Pro každý koncový bod výsledku, včetně 1-roku, 3-roku a 5-ročního přežití pacientů a 1-roku, 3-roku a 5- rok přežití cenzurovaného transplantátu a 1-rok, 3-rok a 5-rok přežití necenzurovaného transplantátu, závislá varianta byla definována jako smrt pacienta nebo transplantace ledviny. Za prvé, BMI a parametry tělesného složení odvozené od AI PMI, SMI, VAT a SAT sloužily jako nezávislé varianty. Za druhé byly použity mezní hodnoty pro sarkopenii, definované jako SMI menší nebo rovné 38,5 cm2/m2 u žen a SMI menší nebo rovné 52,4 cm2/m2 u mužů a obezita (BMI větší nebo rovno 30). jako nezávislé variace. Věk jako možný matoucí faktor byl vyloučen. Sex byl zahrnut definováním specifických hranic pro muže a ženy [20]

3. Výsledky

3.1. Tělo založené na AI

Parametry složení a hraniční hodnoty Všechny parametry složení těla založené na AI byly odvozeny na úrovni třetího bederního obratle. Průměrný PMI byl 5,4 ± 1,9 cm2/m2 a průměrný SMI byl 42.0 ± 7,6 cm2/m2. Průměrná DPH byla 20}3,0 ± 123,3 mm2 a SAT 204,7 ± 91,2 mm2. 13 pacientů (31 procent) mělo sarkopenii, 11 pacientů (26 procent) mělo obezitu a 5 pacientů (12 procent) mělo sarkopenickou obezitu. Všechny výsledky jsou shrnuty v tabulce 2.

3.2. Coxova regresní analýza s BMI a parametry tělesného složení odvozenými z umělé inteligence jako nezávislých proměnných

Jednoroční, 3-roční a 5-roční přežití pacientů nebylo předpovídáno pomocí BMI ani žádným parametrem tělesného složení odvozeným od umělé inteligence, včetně PMI, SMI, DPH a SAT. Všechny výsledky jsou shrnuty v tabulce 3. Jednoleté přežití cenzurovaného transplantátu ledviny bylo významně predikováno sníženým PMI (p=0,03) a sníženým SMI (p=0,03); 3-roční přežití po transplantaci ledviny s cenzurou bylo významně předpovězeno sníženým SMI (p=0,05), ale 5-roční přežití po transplantaci ledviny s cenzurou nebylo předpovídáno pomocí BMI ani jiného těla odvozeného od umělé inteligence parametr složení. Všechny výsledky jsou shrnuty v tabulce 4. Jednoroční přežití necenzurovaného transplantátu ledviny bylo významně predikováno sníženým PMI (p=0,02) a sníženým SMI (p=0,01). Naproti tomu 3-roční přežití necenzurovaného transplantátu ledviny bylo významně predikováno zvýšenou DPH (p=0,04), zatímco 5-roční přežití necenzurovaného transplantátu ledviny nebylo předpovídáno BMI ani žádnou AI- odvozený parametr tělesného složení. Všechny výsledky jsou shrnuty v tabulce 5.

3.3. Coxova regresní analýza se sarkopenií a obezitou jako hraniční nezávislé proměnné

Hraniční hodnoty sarkopenie a obezity neovlivnily 1-rok, 3-rok nebo 5-roční přežití pacientů. Výsledky jsou shrnuty v tabulce 6.

4. Diskuze

V této retrospektivní studii jsme hodnotili užitečnost analýzy tělesného složení založené na umělé inteligenci pro predikci přežití transplantované ledviny a přežití příjemce v programu Eurotransplant Senior Program. Koncové body výsledku byly definovány jako 1-rok, 3-rok a 5-rok pro pacienty a transplantáty. Parametry tělesného složení byly testovány jako možné prediktory výsledku analýzou celkového přežití pacienta a transplantátu po dobu sledování 5 let po transplantaci ledviny. Pro 1-roční přežití cenzurovaných a necenzurovaných transplantací jsme identifikovali nižší PMI a SMI jako významné prediktory ztráty štěpu. 3-roční přežití necenzurovaného transplantátu ledviny bylo významně ovlivněno vyšší DPH, zatímco 3-roční přežití cenzurovaného transplantátu ledviny bylo významně ovlivněno nižším SMI. Sarkopenie navíc významně předpovídala 1-leté přežití necenzurovaných transplantací. Dlouhodobé 3-roční a 5-leté analýzy přežití identifikovaly obezitu jako významný Biomedicína 2022, 10, 554 9 z 12 rizikových faktorů pro přežití necenzurovaných transplantací. Naproti tomu přežití příjemce nebylo významně ovlivněno BMI ani žádným z parametrů tělesného složení odvozeného od AI. Předoperační posouzení křehkosti u kandidátů na transplantaci ledviny bylo důležité, protože dostupnost orgánů je omezená. BMI je běžně používaným ukazatelem pacientovy zdatnosti, i když jde o nejistý diagnostický index obezity [21,22]. Při podezření na nesoulad mezi BMI a obezitou např. u pacientů se sarkopenií a normálním BMI je nutné sofistikovanější posouzení [23].

Ukázalo se, že analýza tělesného složení CT v L3 umožňuje objektivní měření fyzické zdatnosti pacienta [24,25]. V naší studii bylo 31 procent pacientů sarkopenických, což bylo zjištěno pomocí CT, ale ne BMI. Je zajímavé, že sarkopenie předpovídala přežití transplantátu v prvním roce po transplantaci ledviny, ale nikoli 3-roční nebo 5-roční přežití. To může být způsobeno tím, že sarkopenie je spojena s pooperačními komplikacemi, které mohou ovlivnit časné přežití transplantace [26]. Tři až 5 let po transplantaci ledviny se kondice pacienta mohla obnovit a již neovlivnila výsledek [27]. V minulosti byla obezita považována za rizikový faktor, protože příjemci obézních ledvin měli vyšší míru ztráty štěpu a mortalitu ze všech příčin. Od té doby Nicoletto a spol. uvádějí stejnou míru přežití štěpů a pacientů u obézních a neobézních příjemců ledvin [28]. Tzvetanov a kol. prokázali, že transplantace ledviny je možná i u obézních pacientů [29]. Naše výsledky prokázaly, že parametry tělesného složení VAT a SAT, odrážející množství tukové tkáně a hraniční hodnotu pro obezitu, nepomáhají stratifikovat riziko pro celkové přežití pacientů. DPH se však ukázala jako významný rizikový faktor 3-letého přežití necenzurované transplantace ledviny. V souladu s našimi zjištěními nedávná studie Manabe et al. prokázali, že oblast viscerálního tuku je významně spojena s progresí onemocnění ledvin [30]. Obezita navíc významně ovlivnila 3-roční a 5-roční přežití necenzurované transplantace ledviny. Výsledky naší studie odpovídaly našim klinickým zkušenostem: křehkost – reprezentovaná parametry tělesného složení odvozenými od umělé inteligence – SMI/PMI a mezní hodnotou sarkopenie – je důležitým perioperačním rizikovým faktorem, zatímco nadváha – reprezentovaná parametrem tělesného složení odvozeným od umělé inteligence Hraniční hodnota DPH a obezity – se stává mnohem důležitější pro dlouhodobé výsledky, protože je spojena s mnoha kardiovaskulárními chorobami. Rozdíly mezi přežitím cenzurovaného a necenzurovaného transplantátu ledviny jsme přisuzovali skutečnosti, že druhý zahrnuje smrt pacienta, která mohla být ovlivněna křehkostí a nadváhou. Na rozdíl od přežití po transplantaci nebylo krátkodobé a dlouhodobé přežití pacientů predikováno žádným parametrem tělesného složení nebo BMI odvozeným od AI, ani tyto parametry nepomáhaly při stratifikaci rizika pro celkové přežití pacientů. Možným vysvětlením by mohlo být, že zejména starší příjemci transplantované ledviny trpěli komorbiditami včetně ischemické choroby srdeční, diabetes mellitus a hypertenze, což jsou všechny rizikové faktory mortality [31,32].

Analýza tělesného složení je užitečným ukazatelem pro prognózu a stratifikaci rizika, zejména u pacientů s kardiovaskulárními a maligními onemocněními [5,33]. Sarkopenie i sarkopenická obezita jsou rizikovými faktory kardiovaskulárních onemocnění, ale jsou také spojeny s nepříznivými výsledky u malignit a s prodlouženou pooperační rekonvalescencí [34–37]. CT umožňuje spolehlivou analýzu složení těla z jediného axiálního snímku pořízeného na úrovni L3 [15,38]. Většina softwarových nástrojů pro analýzu složení těla nezaloženou na AI, jako je SliceOmatic nebo Horos, používá prahování pixelů s rostoucí oblastí [39]. Tyto manuální nebo poloautomatické segmentační postupy pro soubory dat CT jsou však časově náročné, a proto byly omezeny na menší populace pacientů. Doba následného zpracování těchto souborů dat se dramaticky zkrátí, když se použije analýza složení těla založená na umělé inteligenci [40]. V naší studii jsme použili zavedený, plně automatický softwarový nástroj založený na AI, který poskytoval cenné metabolické informace bez další radiační expozice. V této studii jsme poprvé popsali vliv analýzy parametrů tělesného složení založené na AI na krátkodobé a dlouhodobé přežití příjemce a transplantaci u starších příjemců transplantované ledviny.

Naše studie byla omezena použitím retrospektivního souboru dat a relativně malou studijní populací. Starší příjemci transplantované ledviny trpí zejména mnohočetnými komorbiditami, které mohly ovlivnit jak přežití štěpu, tak přežití pacientů.

5. Závěry

Přežití příjemců ledvin nelze předpovědět pomocí parametrů tělesného složení odvozených od AI. Analýza tělesného složení založená na umělé inteligenci je však užitečná pro predikci krátkodobého a dlouhodobého přežití transplantované ledviny: parametry tělesného složení PMI a SMI, které oba představují svalovou tkáň, a sarkopenie předpovídají 1-leté přežití transplantátu, zatímco obezita a DPH, které představují tukovou tkáň, předpovídají 3-roční a 5-roční přežití transplantované ledviny. Analýza tělesného složení založená na AI proto může pomoci při identifikaci rizikových pacientů, kteří vyžadují zvláštní péči a individuální rozhodování k dosažení optimálních výsledků.

další informace:Ali.ma@wecistanche.com