Munuaissiirteen eloonjäämisen ennustamiseen tarkoitetun riskiindeksin kehittäminen ja validointi: Munuaissiirteen riskiindeksi
Mar 04, 2022
Johdanto
Munuaissiirtotarjoaa paremman elämänlaadun ja ylivoimaisen selviytymisen muihin verrattunamunuainenkorvaushoitomenetelmät [1]. Terveydenhuoltojärjestelmät ympäri maailmaa kamppailevat kuitenkin ylittääkseen kasvavan kuilun suuren kysynnän välillämunuaisensiirrotja rajoitettu tarjonta. Yksi strategia on ohjaaminenmunuainensiirteet vastaanottajille, joiden elinikä on pisin, mikä vähentää sekä siirteen epäonnistumisten määrää että niiden potilaiden määrää, jotka kuolevat toimivan siirteen vuoksi [2]. Riskinennustemallit, jotka ennustavat siirteen epäonnistumisen ennen siirtoa, ovat kliinisiä tukia monimutkaisessa päätöksenteossa, jossa sovitetaan yhteen vastaanottajat, joilla on pisin elinikä ja allograftit, joiden epäonnistumisen riski on pieni. On useitamunuainenkirjallisuudessa käytetyt siirteen riskin ennustemallit, jotka ovat auttaneet näyttöön perustuvaa lääketieteellistä päätöksentekoa kliinisessä käytännössä [3, 4]. TheMunuainenDonor Risk Index (KDRI), jonka ovat kehittäneet Rao et al. vuonna 2009 on otettu laajalti käyttöön kliinisessä päätöksenteossa [3], ja sitä käytetään YhdysvalloissaMunuainenJakojärjestelmä [5]. Te C-indeksi, joka osoittaa ennustemallin kyvyn erottaa pidempään säilyneet siirteet lyhyemmistä eloonjääneistä siirteistä, on kuitenkin 0,62, arvo, joka ilmaisee vain kohtuullista erottelua. Uusilla tilastoihin tai koneoppimismenetelmiin perustuvilla lähestymistavoilla on potentiaalia tuottaa tarkempia ennusteita [6].
Koneoppiminen on kehittynyt nopeasti viime vuosikymmeninä, ja sitä sovelletaan jo joillakin lääketieteen diagnostiikan aloilla [7]. Ryhmämme äskettäinen systemaattinen katsaus korosti koneoppimiseen perustuvien riskien ennustemallien roolia lääketieteellisessä päätöksenteossa, mikä johtaa tarkempiinmunuaissiirtotulosennusteet [8]. Tarkastuksessamme havaittiin kuitenkin, että muut mallit kuin Yhdysvalloissa kehitetyt mallit johdettiin yleensä alle 1,{2}} potilaan otoskoosta. Lisäksi mikään tähän mennessä kehitetyistä koneoppimismalleista ei mallintanut aikaa tapahtumaan (selviytymistä) [8]. Sen sijaan useimmat käyttivät binääritulosta epäonnistumisesta tai ei. Kuitenkin binaarinen lähestymistapa kohtelee siirrettä, joka selviää yhden vuoden, yhtä hyvin kuin siirteen, joka epäonnistuu kahden vuoden kuluttua, mikä on hyvin erilaisia tuloksia potilaalle ja terveydenhuoltojärjestelmälle. Nämä mallit eivät ota huomioon seurannan menetystä. Siksi tapahtuman ajan dynamiikan sisällyttäminen ennustemalliin tuottaa kliinisesti ja taloudellisesti tärkeää lisätietoa [9]. Tavoitteenamme oli kehittää ja validoida tilastollisia ja koneoppimisen ennustavia malleja, jotka ennustavat siirteen epäonnistumista kuolleen luovuttajan jälkeen.munuaissiirto,käyttämällä aika-tapahtumaan liittyviä tietoja suuressa kansallisessa tietojoukossa Australiasta.
Avainsanat:Riskien ennustaminen, koneoppiminen, siirrännäisen vajaatoiminta, munuaisensiirto, munuainen
menetelmätTämän tutkimuksen protokolla on vertaisarvioitu ja julkaistu [10]. Lyhyesti sanottuna kolme koneoppimismallia (Survival Tree[11], Random Survival Forest[12] ja Survival Support Vector Machine[13]) ja yksi perinteinen regressio (Cox-regressio[14]) malli ajasta tapahtumaan (selviytymisaika) luotu. Tämä tutkimus on raportoitu käyttäen menetelmää Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis tai Diagnosis (TRIPOD)[15]. Tutkimuskohortti Tietolähde oli Australian ja Uuden-Seelannin dialyysi- ja siirtorekisteri (ANZDATA)[16]. Se kerää ja raportoi dialyysin esiintyvyydestä, esiintyvyydestä ja tuloksistamunuaissiirtopotilaita kaikkialla Australiassa. Aineisto sisälsi 7 365 luovuttajan ja vastaanottajan ominaisuuksiamunuainenvain kuolleiden luovuttajien siirrot 1. tammikuuta 2007 ja 31. joulukuuta 2017 välisenä aikana Australiassa.

CISTANCHE PARANTAA MUNUAIS-/munuaissairauksia
TuloksetEnsisijainen tulos oli aika siirteen epäonnistumiseen siirtopäivästä alkaen. Potilaat, jotka kuolivat toimivaan siirteeseen, otettiin mukaan, ja heidät sensuroitiin kuolemanpäivänä. Potilaat, joilla oli toimiva transplantaatti tutkimusjakson lopussa, sensuroitiin oikein 31. joulukuuta 2017. Kuusikymmentäviisi potilasta (0,9 prosenttia) oli menetetty seurantaan, ja heidät sensuroitiin viimeisimmän tunnetun seurantapäivän jälkeen. Riippumattomat muuttujat Tavoitteenamme oli kehittää riskiindeksi käytettäväksi siirtoa edeltävässä päätöksenteossa, joten käytimme vain ennen siirtoa saatavilla olevia muuttujia ja ANZDATA:ssa raportoituja muuttujia kaikissa potilasryhmissä. Kaikkiaan tunnistettiin 67 mahdollista riippumatonta muuttujaa, sekä vastaanottaja- että luovuttajaominaisuuksia[17].
Mallin kehittäminenoli peräkkäinen prosessi, jossa oli seuraavat viisi vaihetta: tietojen valmistelu, tietojoukon jakaminen koulutus- ja validointitietosarjoiksi, muuttujien valinta, mallin koulutus ja mallin arviointi (kuva 1).
Vaihe 1: Tietojen valmistelu Ennen mallin kehittämistä dataa käsiteltiin: puuttuvien arvojen käsittelyllä, kategoristen muuttujien valekoodauksella ja jatkuvien muuttujien skaalauksella. Aineistossa oli lähes 500 000 datapistettä (7 365 potilasta × 67 riippumatonta muuttujaa) ja 2,5 prosenttia tietopisteistä puuttui. Useimmista muuttujista (64 prosenttia) puuttui alle 1 prosentti. Muuttujalle, joista puuttuu arvoja, käytettiin useita imputaatioita 14 kategoriselle muuttujalle ja 17 jatkuvalle muuttujalle satunnaisella hot deckillä ja luokitus- ja regressiopuilla (CART) käyttämällä R-paketin "simputaatiota"[18] ja täydellä 7 365 potilaan tietojoukolla. Asiantuntijalausunnon perusteella 13 kategorisen muuttujan puuttuville arvoille määritettiin erillinen "puuttuvien" luokka, jotta vältytään tietojen katoamiselta. Numeeriset riippumattomat muuttujat normalisoitiin käyttämällä min-max-skaalausta, jolloin ne muunnettiin samanlaiseksi asteikoksi muuttujien vertailun yksinkertaistamiseksi[19]. Kategoriset muuttujat valekoodattiin nimellisiin luokkiin. Valekoodauksen jälkeen itsenäisten muuttujien kokonaismäärä oli 98.
Vaihe 2: Koulutus- ja validointitiedotTietojoukko jaettiin satunnaisesti kahteen osaan: koulutustietojoukko ja validointitietojoukko. Neljän ennustavan mallin harjoittamiseen käytetty harjoitussarja sisälsi 70 prosenttia tiedoista (n=5,156). Validointijoukkoa (n=2,209) käytettiin kunkin mallin ennustusvoiman luotettavaan testaamiseen. Erillinen validointisarja tarjosi realistisempia arvioita mallien ennustetarkkuudesta ja auttoi välttämään liiallista sovittamista.

Vaihe 3: Muuttuva valintaTärkeä vaihe mallinrakennusprosessissa on hillittyjen ennustajamuuttujien joukon valinta suuresta käytettävissä olevien riippumattomien muuttujien joukosta (n=98). Liian monet riippumattomat muuttujat mallissa uhkaavat sovittaa liikaa, mikä puolestaan pienentää ennustetehoa[20]. Riippumattomien muuttujien valinnassa käytettiin puumenetelmiä: 1. Asiantuntijan lausunto: Puusta kokeneet nefrologit tarkastelivat mahdollisen riippumattomien muuttujien joukon ja osoittivat, oliko muuttujalla kliinistä merkitystä. Vähintään kahden asiantuntijan sopimus katsottiin riittäväksi muuttujan sisällyttämiseksi malliin. 2. Pääkomponenttianalyysi [21] vähentää aineiston ulottuvuutta muuntamalla sen pienemmäksi määräksi pääkomponentteja muuttujien välisten korrelaatioiden perusteella. Tämä komponenttijoukko säilyttää ihanteellisesti suurimman osan varianssista, joten se ei menetä tietoja, mutta tekee sen käyttämällä vähemmän muuttujia. Käytimme pääkomponenttien määrää, joka säilytti 90 prosenttia alkuperäisestä varianssista. 3. Elastiset nettokaupat - mallin ft ja monimutkaisuus säästävän mallin löytämiseksi. Se tutkii useita malleja käyttämällä sakkoja välttääkseen liiallisen sovituksen, jotka vaihtelevat ei-rangaistusta (Ridgen regressio – L2) äärimmäiseen rangaistusseen (Lasso-regressio – L1), jotta löydettäisiin ihanteellinen rangaistusten kompromissipiste ristiinvalidoinnin avulla[22]. . L1- ja L2-arvoja, jotka tuottivat alhaisimman keskineliövirheen ristiinvalidoinnin aikana, käytettiin elastisen verkkomallin jakamiseen. Näitä yksittäisiä muuttujien valintamenetelmiä sovellettiin yksinään ja myös kaikissa mahdollisissa yhdistelmissä, esim. asiantuntijalausunto ja elastinen verkko. Tästä syystä yhteensä seitsemää muuttujan valintamenetelmää käytettiin seitsemän eri riippumattomien muuttujien sarjan muodostamiseen.
Vaihe 4: MallikoulutusKäytimme neljää lähestymistapaa mallintaaksemme aikaa ensisijaiseen tapahtumaan eli eloonjäämistulokseen. Coxin suhteellinen regressio[14]. Tätä puoliparametrista mallia käytetään laajasti selvittämään tulosten, kuten eloonjäämistietojen ja riippumattomien muuttujien välistä suhdetta. Valittujen riippumattomien muuttujien mallintamisen jälkeen muuttujien määrää pienennettiin edelleen lisäämällä vain ne, jotka olivat tilastollisesti merkitseviä (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="">0.05).>
Selviytymistukivektorikone[13]. Tämä käyttää hypertasoja itsenäisten muuttujien luokkien luomiseen joko lineaarisesti (esim. lineaarinen ydinfunktio) tai ei-lineaarisesti erotettavissa olevalla tiedolla (esim. polynomiydin)[26, 27]. Mallin suorituskyvyn perusteella kaikki tukivektorikonemallit sovitettiin käyttämällä lineaarista ydinfunktiota "regressio"-tyyppisen selviytymistukivektorikonemallin kanssa. Seitsemää itsenäisten muuttujien sarjaa käytettiin neljän ennustavan mallin kouluttamiseen ja validointiin, jolloin saatiin 28 tulosta: seitsemän muuttujan valintamenetelmää × neljä ennustavaa mallia. Jokaisen neljän mallin ennustettu tulos oli indeksi intervalliasteikolla, jonka merkitsemmeMunuaissiirtoRiskiindeksi.

CISTANCHE PARANTAA MUNUAIKAISTEN/MUUNAISTEN VAATTOA
Vaihe 5: Mallien arviointiArvioimme malleja käyttäen Roystonin ja Altmanin ehdottamia menetelmiä[28]. Mallin suorituskykyä arvioitiin käyttämällä kahta mittaria: erottelua ja kalibrointia. Indeksillä, jolla on hyvä syrjintä, tulisi olla korkeammat riskipisteet korkeamman riskin potilailla ja päinvastoin. Kalibrointi mittaa ennusteen tarkkuutta, kun se vertaa indeksin ennustetun eloonjäämisen tarkkuutta havaittujen tietojen eloonjäämiseen[29]. Tutkimuksemme tavoitteelle syrjintä on tärkeämpää kuin kalibrointi, sillä tavoitteenamme on tarjota opas päätöksentekoon, joka tunnistaa suhteellisen korkean ja matalan riskin potilaat[28]. Siksi paras malli valittiin käyttämällä konkordanssiindeksiä (C-indeksi)[30], indeksiä, joka arvioi mallin erottelukyvyn. Te C-indeksi määritellään potilasparien murto-osuudeksi, jossa pidemmän eloonjäämisajan omaavalla potilaalla on myös pienempi riskiennustettu pistemäärä. Yhteensopivuusalue on nollan ja yhden välillä, korkeampi arvo ilmaisee parempaa suorituskykyä ja 0,5 tarkoittaa sattumanvaraista syrjintää.
Roystonin ja Altmanin arviointimenetelmiä sovellettaessa parhaiten sopivien mallien indeksit luokiteltiin neljään ryhmään 16., 50. ja 84. centileillä, jolloin muodostui neljä ennusteryhmää: hyvä, melko hyvä, melko huono ja huono. Erikokoisten ryhmien käyttö paransi potilaiden erottelua neljän ryhmän välillä ja ryhmitteli potilaat, joilla oli samanlainen riski[28]. Näiden neljän ryhmän eloonjäämistä verrattiin käyttämällä Kaplan–Meier-kaavioita, joiden pitäisi ihannetapauksessa osoittaa suurta eroa eloonjäämisissä neljän ryhmän välillä.
Kalibrointi arvioitiin visuaalisesti käyttäen parhaiten sopivaa Cox-mallia. Bootstrap-uudelleennäytteitä käytettiin arvioimaan harhakorjattu ennustettu ja havaittu keskimääräinen eloonjääminen 3 ja 5 vuoden kuluttua siirrosta[31]. Täydellinen yhteensopivuus ennustetun ja havaitun keskimääräisen eloonjäämisen välillä osoittaa täydellisesti kalibroidun ennustemallin. Parasta ennustemallia verrattiin KDRI:n ennustekykyyn, joka on monien kliinisten päättäjien nykyinen malli. Te KDRI:ssä on 14 luovuttajaan ja siirtoon liittyvää muuttujaa, ja se kehitettiin Cox-regressiolla ennustamaan siirteen yleistä epäonnistumista. Muuttujat valittiin poistamalla ei-merkittävistä muuttujista vaiheittain [3], ja tällä mallinvalintamenetelmällä on monia kirjallisuudessa dokumentoituja rajoituksia, mukaan lukien kollineaarisuus, liian pienet p-arvot ja liian kapeat luottamusvälit[32]. Ennustemallien kehittämiseen käytettiin Te R -ohjelmointikieltä (versio 3.6.{13}}), jossa on kirjastot "survivalism", "ranger", "survival" ja "LTRCtrees".
EtiikkaRoyal Adelaide Hospital Human Research Ethics Committee on myöntänyt täyden eettisen hyväksynnän ANZDATA-rekisterin toiminnalle. Queensland University of Technology myönsi tälle tutkimukselle eettisen hyväksynnän.
Tulokset
PerusominaisuudetVastaanottajat ja luovuttajat ovat taulukossa 1. Kokonaistutkimuksessa oli 7 365 kuollutta luovuttajaamunuaisensiirrotsuoritettiin 1. tammikuuta 2007 - 31. joulukuuta 2017. Luovuttajien mediaani-ikä oli 52 vuotta (neljännesten välinen vaihteluväli 41 - 60) ja vastaanottajien 47 vuotta (kvartiiliväli 32 - 58). Suurin osa oli miehiä (63 prosenttia). Noin 87 prosenttia siirteistä oli primaarisia siirteitä.

Muuttujien valinta Siellä oli 98 mahdollista riippumatonta muuttujaa. Taulukossa 2 on yhteenveto kolmen lähestymistavan tuloksista, joilla valittiin riippumattomien muuttujien osajoukko, joka ei sopinut liikaa, mikä johti seitsemään riippumattomien muuttujien joukkoon. Asiantuntijalausunto pienensi riippumattomat muuttujat 40 muuttujaan, kun taas elastinen netto pienensi sen 46 muuttujaan. Kaikkien kolmen muuttujan valintamenetelmän soveltaminen vähensi 98 potentiaalista muuttujaa 23 pääkomponenttiin. Kutakin näistä seitsemästä riippumattomien muuttujien sarjasta käytettiin mallien kouluttamiseen ja testaamiseen. Mallin rakentamisen aikana riippumattomia muuttujia vähennettiin edelleen coxissa ja RSF:ssä sisällyttämällä vain ne, jotka olivat tilastollisesti merkitseviä (p<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="">0.05)>


Parhaiten istuva Cox-malliKoska luovuttajan ikä oli vahva ennustaja siirteen eloonjäämiselle, malliin lisättiin epälineaarinen iän muunnos (log base 2). Tämä lisäsi C-indeksiä vain 0.003. Skaalasimme indeksin luovuttajan mediaaniin (45 vuotta) ja vastaanottajan ikään (50 vuotta). Cox-mallin indeksi lasketaan kuvan 2 mukaisesti. Vaihtoehtona asennettiin myös Weibull-malli, joka olettaa vaaran olevan ajasta riippuvainen[34]. C-indeksiä kuitenkin pienennettiin 0,0014, mikä ei lisännyt syrjintää, joten säilytimme Cox-mallin. Luovuttajan hypertensio (HR 1,43; 95 prosentin luottamusväli 1,16 - 1,76) lisäsi vaaraa, kun hänellä oli monirakkulatautimunuaissairausprimaarisena munuaistautina vähensi epäonnistumisen vaaraa (HR {0}},66; 95 prosentin luottamusväli 0,48 - 0,91) (taulukko 5).
Indeksin jakautuminen potilaiden kokonaismäärään osoittaa, että riskiryhmien pisteet, "Hyvä" (< 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) (Taulukko 6). Kaplan–Meier eloonjäämiskäyrät osoittavat kuoleman sensuroitunamunuainenSiirteen epäonnistuminen neljälle riskiryhmälle on kuvassa 3. Kun riskiryhmät siirtyvät "hyvästä" "huonoksi", eloonjäämiskäyrät osoittavat selvästi lisääntynyttä siirteen epäonnistumisen riskiä. Lisäksi verrattuna ryhmään "Hyvä", kun ryhmät siirtyvät "Melko hyvä" tasosta "Huono", vaarasuhteet kasvavat sekä koulutus- että validointitietosarjoissa (taulukko 7). Nämä tulokset osoittavat, että indeksillä on hyvä syrjivä voima[28].
Keskimääräinen arvioitu eloonjääminen verrattuna keskimääräiseen todelliseen eloonjäämiseen 3-vuosina ja 5-vuosina on piirretty kuvassa 4. Täydellisesti kalibroidussa mallissa datapisteet olisivat katkoviivalla (täydellinen ennusteviiva) , osoittaa täydellistä ennustetarkkuutta. Keskimääräinen todellinen eloonjäämisaika on jatkuvasti alhaisempi kuin ennustettu eloonjääminen sekä 3 että 5 vuoden kohdalla. Kuitenkin ero täydellisen ennustusviivan ja ennustusviivan välillä molemmilla ajanjaksoilla pienenee, kun ennustettu eloonjääminen kasvaa. Kaiken kaikkiaan Cox-malli osoittaa kohtalaisen ennustetarkkuuden.
Keskustelu
Tutkimuksemme kehitti riskien ennustemallin ennustamaan siirteen epäonnistumista etukäteen käyttämällä suurta potilasotosta. Analysoimme neljää mahdollista ennustemallia käyttämällä tilastollisia ja koneoppimismenetelmiä. Paras malli oli Coxin regressioriskin ennustemalli, joka pystyi ennustamaan kuoleman sensuroidun siirteen epäonnistumisen kohtuullisella erottelutasolla ja ennustetarkkuudella käyttämällä vain seitsemää riippumatonta muuttujaa. Nykyisen indeksin erottelukyky ylittää useimmat tällä hetkellä saatavilla olevat siirteen epäonnistumisen riskin ennustemallit.


Riskinennustemalli kehitettiin käytettäväksi siirtoa edeltävässä päätöksenteossa (esim.munuainenallokaatio), joten vain ennen elinsiirtoa saatavilla olevia muuttujia pidettiin itsenäisinä muuttujina. Käytimme sisäistä validointia hillityn mallin luomiseen, koska käyttämällä suurta määrää riippumattomia muuttujia voidaan helposti luoda huonosti toimivia malleja, jotka eivät ole yleistettävissä ylisovituksen vuoksi [35]. Vaiheittainen muuttujien valinta, yleisesti käytetty muuttujien valintamenetelmä, jota käytettiin KDRI:n kehittämiseen, on epävakaa menetelmä, joka voi luoda malleja, jotka toimivat huonosti ulkoisessa validoinnissa [28]. Seitsemän eri muuttujavalintayhdistelmän käyttö tässä tutkimuksessa, jotka tunnistettiin asiantuntijalausunnon ja tilastojen yhdistelmällä, auttoi tunnistamaan

tärkeimmät muuttujat, jotka selittivät suurimman osan tietojen varianssista. Vähäinen malli johtaa indeksiin, jota on helpompi käyttää kliinisessä ympäristössä. Lopullisessa parhaassa Cox-mallissa on seitsemän muuttujaa, mikä on vähemmän kuin yleisimmin käytetyissä siirteen epäonnistumisen riskin ennustemalleissa käytettyjen muuttujien lukumäärä [3, 36].
Cox-malli ylitti tutkimuksessa käytetyt kolme koneoppimismenetelmää. Kirjallisuuskatsaus osoittaa, että ennustetarkkuus antoi ristiriitaisia tuloksia, kun verrataan koneoppimista ja perinteisiä ennustamismenetelmiä [8]. Tässä tutkimuksessa käytettiin kahta puupohjaista koneoppimismenetelmää, ja näiden menetelmien huonompi suorituskyky tiedoissamme voi olla osoitus siitä, että tiedoilla ei ole taustalla olevaa puurakennetta, jossa tulokset määräytyvät binääriosien avulla. Pikemminkin siirteen eloonjäämisriski saattaa olla enemmän riippuvainen jatkuvista ennustajista, kuten iästä.
Mallimme kehitettiin ennustamaan kuoleman sensuroitua siirteen vajaatoimintaa, kun taas siirteen kokonaisvika sisältää yhdistelmän siirteen vajaatoimintaa sekä kuolemaa toimivan siirteen kanssa. Tietäen tietyn luovuttajan selviytymisestämunuainenon tärkeämpi kuin siirteen kokonaisvika ennen siirtoa tehdyssä päätöksenteossa [2]. Tutkimuksessamme kuoleman sensuroidun siirteen epäonnistumisen C-indeksi oli 0,67. Clayton et ai. validoi USA:n KDRI:n käyttämällä australialaisia tietoja [2] ja C-indeksiä kuolemansyrjinnässä

siirrännäisen epäonnistuminen oli {{0}},63, mikä on vähemmän syrjintää kuin tässä saadut tulokset. Sekä siirteen että vastaanottajan ominaisuuksien sisällyttäminen (riippumattomia muuttujia yhteensä 24) KDRI:hen kuitenkin nosti kuoleman sensuroidun siirteen epäonnistumisen C-indeksin arvoon 0,70 Claytonin et al. opiskella. Nämä kirjoittajat eivät arvioineet kalibrointia (ennustustarkkuus), mikä estää kattavan vertailun tutkimuksemme tuloksiin. Parhaan mallimme C-indeksi on 0,67 vain seitsemällä muuttujalla, kun taas jälkimmäisen 24 muuttujan C-indeksi on 0,70, ja lääkärit saattavat katsoa, että tämä pieni tarkkuuden lisäys ei ole monimutkaisuuden lisäämisen arvoinen. Ennustemallit, joissa on useita muuttujia, ovat myös logistisesti vaikeampia, koska ne vaativat enemmän datan keräämistä ja vain yhden puuttuvan muuttujan vuoksi ennustetta ei voida arvioida.
Lisäksi nykyisen indeksin erottelukyky ylitti pari muuta tällä hetkellä saatavilla olevaa indeksiä, mukaan lukien aiemmin kuvattu KDRI. Kasiske et ai. (2010), kehitti indeksin, jossa oli 11 luovuttaja- ja vastaanottajamuuttujaa, jotka olivat saatavilla ennen siirtoa, ja sen C-indeksi oli 0,649 [37]. Molnarin et al.:n vuonna 2018 julkaiseman uudemman indeksin C-indeksi oli 0,63 korkean riskin potilaiden erottamisessa siirteen vajaatoiminnasta. Tässä indeksissä käytettiin 10 luovuttajan ja vastaanottajan ominaisuutta [38]. Siksi tässä artikkelissa kuvattu indeksi kykeni saavuttamaan ylivoimaisen erotteluvoiman vähemmällä muuttujalla. Meidän on kuitenkin harkittava, onko ennuste, joka käyttää kohtalaista erottelukykyä (C-indeksi 0,67) omaavaa indeksiä, hyväksyttävä allokointitarkoituksessa.munuaiset, koska malli on kaukana täydellisestä C-indeksistä 1, eli me


ei voi olla varma, että ennustetut määrärahat tuottavat parhaat tulokset. Väärä korkean indeksin lukema ennustemallissa siirtohetkellä saattaa lannistaa kliinikkoa ja potilasta hyväksymästä luovuttajanmunuainen. Se on luovuttajan virheellisen leimaamisen leimaava vaikutusmunuainen"marginaali/heikko laatu on jo dokumentoitu [39].
Siirteen epäonnistumisen ennustaminen on monimutkainen ilmiö, joka sisältää luovuttajan ominaisuuksia, luovuttajan elinten etsimiseen liittyviä piirteitä, vastaanottajan ominaisuuksia, siirtoon liittyviä piirteitä ja transplantaation jälkeisiä tekijöitä, kuten immunosuppressiolääkkeiden käyttöä. Asiaan liittyvät päätöksetmunuainenjakaminen on tietysti tehtävä ennen istutusta; sen vuoksi elinsiirron menettelyyn liittyvät ja siirron jälkeiset tekijät eivät ole saatavilla alkuperäisen päätöksentekohetkellä. Siksi vaihtelun lähde, jota ei oteta huomioon useimmissa tällä hetkellä saatavilla olevissa ennustemalleissa (kuten niiden vain kohtalainen erottelukyky osoittaa), voivat olla siirtoon liittyvät menettelyyn liittyvät tai siirroksen jälkeiset tekijät. Ne voivat myös olla luovuttaja- tai vastaanottajatekijöitä, joita ei rutiininomaisesti tallenneta tietokantoihin, sekä arvaamattomia stokastisia tapahtumia, jotka johtavat epätäydellisiin ennusteisiin. Tämä tarkoittaa, että täydellinen C-indeksi 1 on todennäköisesti mahdoton mallille, joka käyttää siirtoa edeltäviä tekijöitä. On vaikea tietää, mikä on korkein saavutettavissa oleva C-indeksi, ja tämä vaatisi erillisen mallintamisen, joka sisältää todentamattomia oletuksia 1) stokastisten tapahtumien ja 2) mittaamattomien ennustajien tärkeydestä.

CISTANCHE PARANTAA MUNUAIS-/MUUNAISTUNNUSTA
Te Cox -malli kykeni erottamaan äärimmäiset siirteen epäonnistumisriskin luokat (hyvä vs. huono) hyvällä erotteluvoimalla (C-indeksi=0.73), joten instrumentin käyttökelpoisuus siirteen epäonnistumisriskin äärimmäisissä luokissa on ylivoimainen muihin riskiluokkiin verrattuna. Siksi instrumentin käytön rajoittaminen vain näihin riskiluokkiin voi tuottaa parempia tuloksiamunuaissiirtopäätöksenteko. Olemme käyttäneet vankkaa sisäistä validointia, mutta ulkoinen validointi on tärkeä askel kohti riskiindeksin hyväksymistä kliinisessä päätöksenteossa, koska vain sisäiseen validointiin perustuvan mallin suorituskyvyn arvioiminen voi johtaa liian optimistiseen suorituskyvyn arviointiin [28]. Lisäksi useimmat kliinikot eivät ehkä halua käyttää työkalua, jota ei ole testattu muillamunuainenpopulaatiot. Siksi ehdotamme, että tämä indeksi validoidaan ulkoisesti yleistettävyyden arvioimiseksi ennen sen käyttöä kliinisessä käytännössä. Jos indeksi osoittaa hyvää ulkoista validiteettia, indeksillä on potentiaalia paremmin luovuttaa vastaanottajille, mikä parantaa nykyistämunuainenjakaminen. Koska tässä indeksissä on sekä luovuttaja- että vastaanottajaominaisuuksia, se voi ennustaa, millä luovuttajan ja vastaanottajan välisellä parisuhteella on korkein eloonjääminen siirron jälkeen käytettävissä olevista valinnoista.
Tällä tutkimuksella on useita rajoituksia. Ennustava malli käytti vain ANZDATA:n keräämiä muuttujia, joten emme ehkä sisällyttäneet potilaiden täydellistä riskiprofiilia. Käytimme vain neljää menetelmää, ja muut koneoppimismenetelmät, jotka voisivat mallintaa aikaa tapahtumaan, olisivat saattaneet tuottaa parempia tuloksia. Selviytymistietojen koneoppimismallit eivät kuitenkaan ole hyvin kehittyneitä, mikä rajoittaa parhaan sovelluksen mallityyppien valintaa [35].
JohtopäätösYhteenvetona voidaan todeta, että uusi indeksi erottelee potilaat, joilla on suurempi siirteen vajaatoiminnan riski, kohtalaisen hyvin ja tekee ennusteita siirteen vajaatoiminnasta kohtalaisella tarkkuudella. Tämä lupaava uusi indeksi on seuraavan vaiheen arvoinen ulkoisessa validoinnissa sen käytön osoittamiseksi kliinisissä olosuhteissa.

CISTANCHE PARANTAA MUUNAISTEN/MUUNAISTEN TOIMINTAA






