Rizikos indekso, skirto prognozuoti inkstų transplantato išgyvenimą, sukūrimas ir patvirtinimas: inkstų transplantacijos rizikos indeksas
Mar 04, 2022
Įvadas
Inkstų persodinimassiūlo geresnę gyvenimo kokybę ir geresnį išgyvenimą, palyginti su kitaisinkstaspakaitinės terapijos būdai [1]. Tačiau sveikatos sistemos visame pasaulyje stengiasi įveikti didėjantį atotrūkį tarp didelės paklausosinkstų transplantacijosir ribota pasiūla. Viena strategija yra režisūrainkstastransplantatų recipientams, kurių gyvenimo trukmė yra didžiausia, taip sumažinant transplantato nesėkmių skaičių ir pacientų, mirštančių dėl veikiančio transplantato, skaičių [2]. Rizikos prognozavimo modeliai, numatantys transplantato nepakankamumą prieš transplantaciją, yra klinikinė atrama priimant sudėtingus sprendimus, kai reikia suderinti ilgiausio gyvenimo trukmės recipientus ir alotransplantatus su maža nesėkmės rizika. Yra keliinkstasLiteratūroje pateikiami transplantato rizikos prognozavimo modeliai, kurie padėjo klinikinėje praktikoje priimti įrodymais pagrįstus medicininius sprendimus [3, 4]. TheInkstasDonoro rizikos indeksas (KDRI), sukurtas Rao ir kt. 2009 m. buvo plačiai paplitęs priimant klinikinius sprendimus [3] ir naudojamas JAVInkstasPaskirstymo sistema [5]. Tačiau Te C indeksas, rodantis prognozavimo modelio gebėjimą atskirti ilgiau išlikusius skiepus nuo trumpesnių išlikusių skiepų, yra 0.62, reikšmė, nurodanti tik pagrįstą diskriminaciją. Nauji metodai, pagrįsti statistika arba mašininio mokymosi metodais, gali duoti tikslesnes prognozes [6].
Mašininis mokymasis sparčiai vystėsi per pastaruosius dešimtmečius ir jau taikomas kai kuriose medicinos diagnostikos srityse [7]. Neseniai atlikta sisteminga mūsų grupės apžvalga pabrėžė mašininiu mokymusi pagrįstų rizikos prognozavimo modelių vaidmenį priimant medicininius sprendimus, todėl galima tiksliauinkstų persodinimasrezultatų prognozės [8]. Tačiau mūsų apžvalgoje nustatyta, kad modeliai, išskyrus tuos, kurie buvo sukurti Jungtinėse Amerikos Valstijose, dažniausiai buvo gauti iš mažiau nei 1,000 paciento imties. Be to, nė vienas iš iki šiol sukurtų mašininio mokymosi modelių nemodeliavo laiko iki įvykio (išgyvenimo) [8]. Vietoj to, dauguma naudojo dvejetainį nesėkmės rezultatą. Tačiau taikant dvejetainį metodą, transplantatas, kuris išgyvena vienerius metus, yra lygus transplantatui, kuriam nepavyksta dvejų metų, o paciento ir sveikatos sistemos rezultatai yra labai skirtingi. Šie modeliai neatsižvelgia į nuostolius dėl tolesnių veiksmų. Todėl į prognozavimo modelį įtraukus laiko dinamiką iki įvykio, gaunama kliniškai ir ekonomiškai svarbios papildomos informacijos [9]. Mūsų tikslas buvo sukurti ir patvirtinti statistinius ir mašininio mokymosi nuspėjimo modelius, kad būtų galima numatyti transplantato nepakankamumą mirus donorui.inkstų transplantacija,naudojant laiko iki įvykio duomenis dideliame nacionaliniame duomenų rinkinyje iš Australijos.
Raktiniai žodžiai:Rizikos numatymas, mašininis mokymasis, transplantato nepakankamumas, inkstų persodinimas, inkstai
MetodaiŠio tyrimo protokolas buvo recenzuotas ir paskelbtas [10]. Trumpai tariant, buvo trys mašininio mokymosi (išgyvenimo medis[11], atsitiktinis išgyvenimo miškas[12] ir išgyvenimo palaikymo vektorių mašina[13]) ir vienas tradicinės regresijos (Cox regresija[14]) modeliai, skirti laiko iki įvykio (išgyvenimo laiko) modeliams. sukurtas. Šis tyrimas atliktas naudojant skaidrios ataskaitų teikimo daugiamačių individualių prognozių ar diagnozių modelio (TRIPOD) metodiką[15]. Tyrimo grupė Duomenų šaltinis buvo Australijos ir Naujosios Zelandijos dializės ir transplantacijos registras (ANZDATA)[16]. Ji renka ir praneša apie dializės paplitimą, dažnumą ir rezultatusinkstų persodinimaspacientų visoje Australijoje. Duomenų rinkinyje buvo 7 365 donoro ir recipiento charakteristikosinkstastik mirusių donorų transplantacijos nuo 2007 m. sausio 1 d. iki 2017 m. gruodžio 31 d., atliktos Australijoje.

CISTANCHE PAGERINS INKSTŲ/INKSTŲ LIGĄ
RezultatasPirminis rezultatas buvo laikas iki transplantato nesėkmės nuo transplantacijos datos. Pacientai, kurie mirė su veikiančiu transplantatu, buvo įtraukti ir mirties dieną buvo cenzūruojami. Gruodžio 31 d., 2017 m. gruodžio 31 d. buvo cenzūruojami pacientai, kurių transplantatas veikia tyrimo laikotarpio pabaigoje. Šešiasdešimt penkis pacientus (0,9 proc.) neteko stebėti ir jie buvo cenzūruoti paskutinę žinomą stebėjimo datą. Nepriklausomi kintamieji Mūsų tikslas buvo sukurti rizikos indeksą, skirtą naudoti priimant sprendimus prieš transplantaciją, todėl naudojome tik prieš transplantaciją turimus kintamuosius ir ANZDATA pateiktus kintamuosius visose pacientų grupėse. Iš viso buvo nustatyti 67 galimi nepriklausomi kintamieji, tiek recipiento, tiek donoro charakteristikos[17].
Modelio kūrimasbuvo nuoseklus procesas su šiais penkiais etapais: duomenų paruošimas, duomenų rinkinio padalijimas į mokymo ir patvirtinimo duomenų rinkinius, kintamųjų pasirinkimas, modelio mokymas ir modelio įvertinimas (1 pav.).
1 žingsnis: Duomenų paruošimas Prieš modelio kūrimą duomenys buvo apdorojami: apdorojant trūkstamas reikšmes, fiktyviai koduojant kategorinius kintamuosius ir keičiant nuolatinių kintamųjų mastelį. Duomenų rinkinyje buvo beveik 500 000 duomenų taškų (7 365 pacientai × 67 nepriklausomi kintamieji) ir trūko 2,5 procento duomenų taškų. Daugumos kintamųjų (64 proc.) trūko mažiau nei 1 proc. Kintamiesiems, kurių reikšmės trūksta, buvo panaudotos daugybinės imputacijos 14 kategoriškų kintamųjų ir 17 nuolatinių kintamųjų su atsitiktiniais karštaisiais ir klasifikavimo ir regresijos medžiais (CART), naudojant R paketo „simputaciją“[18] su visu 7 365 pacientų duomenų rinkiniu. Remiantis ekspertų nuomone, trūkstamoms 13 kategorinių kintamųjų reikšmėms buvo priskirta atskira „trūkstamų“ kategorija, kad duomenys nebūtų prarasti. Skaitiniai nepriklausomi kintamieji buvo normalizuoti naudojant min-max mastelį, konvertuojant juos į panašią skalę, kad būtų supaprastintas kintamųjų palyginimas[19]. Kategoriniai kintamieji buvo netikri koduojami į nominalias kategorijas. Po fiktyvaus kodavimo bendras nepriklausomų kintamųjų skaičius buvo 98.
2 veiksmas: mokymo ir patvirtinimo duomenysDuomenų rinkinys buvo atsitiktinai padalytas į dvi dalis: mokymo duomenų rinkinį ir patvirtinimo duomenų rinkinį. Mokymo rinkinyje, kuris buvo naudojamas keturiems nuspėjamiesiems modeliams mokyti, buvo 70 procentų duomenų (n=5,156). Patvirtinimo rinkinys (n=2,209) buvo naudojamas patikimai patikrinti kiekvieno modelio nuspėjamąją galią. Atskiras patvirtinimo rinkinys suteikė tikroviškesnius modelių numatymo tikslumo įvertinimus ir padėjo išvengti per didelio pritaikymo.

3 veiksmas: kintamasis pasirinkimasSvarbus modelio kūrimo proceso žingsnis yra iš didelio galimų nepriklausomų kintamųjų rinkinio (n=98) parinktas švelnus nuspėjamųjų kintamųjų rinkinys. Per daug nepriklausomų kintamųjų modelyje rizikuoja per daug pritaikyti, o tai savo ruožtu sumažina nuspėjamąją galią[20]. Nepriklausomiems kintamiesiems atrinkti buvo naudojami medžio metodai: 1. Ekspertų nuomonė: patyrę nefrologai peržiūrėjo galimą nepriklausomų kintamųjų rinkinį ir nurodė, ar kintamasis turi klinikinę reikšmę. Mažiausiai dviejų ekspertų susitarimas buvo laikomas pakankamu, kad į modelį būtų įtrauktas kintamasis. 2. Pagrindinių komponentų analizė [21] sumažina duomenų rinkinio matmenis, transformuodama jį į mažesnį pagrindinių komponentų skaičių, remiantis koreliacijomis tarp kintamųjų. Šis komponentų rinkinys idealiai išlaiko didžiąją dalį dispersijos ir nepraranda informacijos, bet tai daro naudojant mažiau kintamųjų. Naudojome pagrindinių komponentų skaičių, kuris išlaikė 90 procentų pradinės dispersijos. 3. Elastingi grynieji modelio ft sandoriai ir sudėtingumas, norint rasti švelnų modelį. Jame nagrinėjami įvairūs modeliai, naudojant nuobaudas, kad būtų išvengta per didelio pritaikymo, pradedant nuo bausmės nebuvimo (Ridžo regresija – L2) iki ekstremalios bausmės (Laso regresija – L1), siekiant rasti idealų nuobaudų kompromiso tašką naudojant kryžminį patvirtinimą[22]. . L1 ir L2 vertės, kurios sukėlė mažiausią vidutinę kvadratinę paklaidą kryžminio patvirtinimo metu, buvo naudojamos elastingo tinklo modeliui nustatyti. Šie individualūs kintamųjų atrankos metodai buvo taikomi atskirai, taip pat visose įmanomose kombinacijose, pvz., ekspertų nuomonė ir elastinis tinklas. Todėl septyniems skirtingiems nepriklausomų kintamųjų rinkiniams buvo sukurti iš viso septyni kintamųjų atrankos metodai.
4 žingsnis: modelio mokymasModeliuodami laiką iki pirminio įvykio, ty išgyvenimo rezultato, naudojome keturis metodus. Kokso proporcinga regresija[14]. Šis pusiau parametrinis modelis plačiai naudojamas tiriant ryšį tarp rezultatų, tokių kaip išgyvenamumo duomenys, ir nepriklausomų kintamųjų. Sumodeliavus pasirinktus nepriklausomus kintamuosius, kintamųjų skaičius dar labiau sumažintas įtraukiant tik tuos, kurie buvo statistiškai reikšmingi (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).>
Išgyvenimo paramos vektorių mašina[13]. Tai naudoja hiperplokštumus, kad sukurtų nepriklausomų kintamųjų klases su tiesiškai (pvz., linijine branduolio funkcija) arba netiesiškai atskiriamais duomenimis (pvz., polinominiu branduoliu)[26, 27]. Remiantis modelio veikimu, visi paramos vektorių mašinų modeliai buvo pritaikyti naudojant linijinę branduolio funkciją su „regresijos“ tipo išlikimo palaikymo vektoriaus mašinos modeliu. Septyni nepriklausomų kintamųjų rinkiniai buvo naudojami treniruoti ir patvirtinti keturis nuspėjamuosius modelius, duodančius 28 rezultatus: septynis kintamųjų atrankos metodus × keturis nuspėjamuosius modelius. Numatytas kiekvieno iš keturių modelių rezultatas buvo intervalo skalės indeksas, kurį pažymime kaipInkstų transplantacijaRizikos indeksas.

CISTANCHE PAGERINS INKSTŲ/INKSTŲ NEAPTARKIMĄ
5 veiksmas: modelių įvertinimasModelius įvertinome Royston ir Altman pasiūlytais metodais[28]. Modelio veikimas buvo įvertintas naudojant dvi metrikas: diskriminaciją ir kalibravimą. Geros diskriminacijos indeksas turėtų turėti aukštesnius rizikos balus didesnės rizikos pacientams ir atvirkščiai. Kalibruojant matuojamas prognozės tikslumas, nes lyginamas prognozuojamo išgyvenamumo tikslumas pagal indeksą su išgyvenamumu pagal stebimus duomenis[29]. Mūsų tyrimo tikslais diskriminacija yra svarbesnė nei kalibravimas, nes mūsų tikslas yra pateikti sprendimų priėmimo vadovą, kuris identifikuotų santykinai didelės ir mažos rizikos pacientus[28]. Todėl geriausias modelis buvo pasirinktas naudojant atitikties indeksą (C-indeksą)[30] – indeksą, įvertinantį modelio diskriminacinį gebėjimą. Te C indeksas apibrėžiamas kaip pacientų porų dalis, kai pacientas, kurio išgyvenamumas ilgesnis, taip pat turi mažesnį numatomą rizikos balą. Atitikties diapazonas yra nuo nulio iki vieneto, didesnė reikšmė rodo geresnį našumą, o 0,5 – atsitiktinę diskriminaciją.
Taikant Royston ir Altman vertinimo metodus, geriausiai tinkančių modelių indeksai buvo suskirstyti į keturias grupes 16, 50 ir 84 centiliuose, kad būtų sukurtos keturios prognostinės grupės: geras, gana geras, gana prastas ir prastas. Nevienodo dydžio grupių naudojimas pagerino pacientų diskriminaciją tarp keturių grupių ir sugrupavo panašios rizikos pacientus[28]. Šių keturių grupių išgyvenamumas buvo lyginamas naudojant Kaplan-Meier diagramas, kurios, idealiu atveju, turėtų parodyti didelį išgyvenamumo skirtumą tarp keturių grupių.
Kalibravimas buvo vizualiai įvertintas naudojant geriausiai tinkantį Cox modelį. „Bootstrap“ pakartotiniai pavyzdžiai buvo naudojami siekiant įvertinti numatytą ir stebimą vidutinį išgyvenamumą praėjus 3 ir 5 metams po transplantacijos[31]. Puikus numatomo ir stebimo vidutinio išgyvenamumo sutapimas rodo puikiai kalibruotą prognozės modelį. Geriausias prognozavimo modelis buvo lyginamas su KDRI nuspėjamumu, kuris yra dabartinis daugelio klinikinius sprendimus priimančių asmenų naudojamas modelis. Te KDRI turi 14 su donoru ir transplantacija susijusių kintamųjų ir buvo sukurtas naudojant Cox regresiją, siekiant numatyti bendrą transplantato nepakankamumą. Kintamieji buvo atrinkti laipsniškai ištrinant nereikšmingus kintamuosius[3], o šis modelio atrankos metodas turi daug apribojimų, aprašytų literatūroje, įskaitant kolinearumą, per mažas p reikšmes ir per siaurus pasikliautinuosius intervalus[32]. Te R programavimo kalba (3.6 versija.{13}}) su bibliotekomis „survivalism“, „ranger“, „survival“ ir „LTRCtrees“ buvo naudojama nuspėjamiesiems modeliams kurti[33].
EtikaANZDATA registro veiklai suteikė visišką etikos patvirtinimą Karališkosios Adelaidės ligoninės Žmogaus tyrimų etikos komitetas. Šiam tyrimui etikos patvirtinimą suteikė Kvinslando technologijos universitetas.
Rezultatai
Pradinės charakteristikosRecipientų ir donorų charakteristikos pateiktos 1 lentelėje. Iš viso tyrimo imtyje buvo 7 365 mirę donorai.inkstų transplantacijosbuvo atliktas nuo 2007 m. sausio 1 d. iki 2017 m. gruodžio 31 d. Donorų amžiaus mediana buvo 52 metai (interkvartilis intervalas nuo 41 iki 60), o recipientų – 47 metai (tarpkvartilis intervalas nuo 32 iki 58). Dauguma buvo vyrai (63 proc.). Apie 87 procentai skiepų buvo pirminiai skiepai.

Kintamųjų pasirinkimas Čia buvo 98 galimi nepriklausomi kintamieji. 2 lentelėje apibendrinami trijų būdų, kaip pasirinkti nepriklausomų kintamųjų poaibį, kuris nebuvo per daug pritaikytas, rezultatas, todėl gaunami septyni nepriklausomų kintamųjų rinkiniai. Ekspertų nuomonė sumažino nepriklausomus kintamuosius iki 40 kintamųjų, o elastinis tinklas sumažino iki 46 kintamųjų. Taikant visus tris kintamųjų atrankos metodus, 98 potencialūs kintamieji sumažėjo iki 23 pagrindinių komponentų. Kiekvienas iš šių septynių nepriklausomų kintamųjų rinkinių buvo naudojamas modeliams mokyti ir išbandyti. Kuriant modelį nepriklausomi cox ir RSF kintamieji buvo dar labiau sumažinti, įtraukiant tik tuos, kurie buvo statistiškai reikšmingi (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)>


Geriausiai tinkantis Cox modelisKadangi donoro amžius buvo stiprus transplantato išgyvenimo prognozuotojas, į modelį buvo įtraukta netiesinė amžiaus transformacija (logaritminė bazė 2). Tai padidino C indeksą tik 0.{11}}03. Indeksą pritaikėme pagal vidutinį donoro (45 metų) ir recipiento amžių (50 metų). Kokso modelio indeksas apskaičiuojamas taip, kaip parodyta 2 pav.. Weibull modelis, kuris daro prielaidą, kad pavojus priklauso nuo laiko[34], taip pat buvo pritaikytas kaip alternatyva. Tačiau C indeksas buvo sumažintas 0,0014, nepadidinant diskriminacijos, todėl palikome Cox modelį. Donoro hipertenzija (HR 1,43; 95 proc. PI nuo 1,16 iki 1,76) padidino riziką sergant policistineinkstų liganes pirminė inkstų liga sumažino nesėkmės pavojų (HR {0}},66; 95 proc. PI 0.48 iki 0,91) (5 lentelė).
Indekso pasiskirstymas tarp pacientų rodo, kad rizikos grupių balai „Gerai“ (< 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) (6 lentelė). Kaplan-Meier išgyvenimo kreivės, rodančios cenzūruotą mirtįinkstasTransplantato nepakankamumas keturioms rizikos grupėms yra pateiktas 3 pav. Kai rizikos grupės pereina nuo „geros“ prie „prastos“, išgyvenamumo kreivės rodo žymiai padidėjusią transplantato nepakankamumo riziką. Be to, palyginti su grupe „Gerai“, kai grupės pereina nuo „Gana geros“ prie „Prasta“, rizikos koeficientai didėja tiek mokymo, tiek patvirtinimo duomenų rinkiniuose (7 lentelė). Šie rezultatai rodo, kad indeksas turi gerą diskriminacinę galią[28].
Vidutinis apskaičiuotas išgyvenamumas, palyginti su vidutiniu faktiniu išgyvenamumu 3-metų ir 5- metų, pavaizduotas 4 pav. Tobulai kalibruotame modelyje duomenų taškai būtų išilgai punktyrinės linijos (tobulos numatymo linijos). , rodantis tobulą numatymo tikslumą. Vidutinis faktinis išgyvenamumas nuolat yra mažesnis nei prognozuojamas išgyvenamumas tiek 3, tiek 5 metus. Tačiau atotrūkis tarp tobulos išankstinio numatymo linijos ir prognozės linijos abiem laikotarpiais mažėja, nes prognozuojamas išgyvenamumas didėja. Apskritai Cox modelis rodo vidutinį numatymo tikslumo lygį.
Diskusija
Mūsų tyrimas sukūrė rizikos prognozavimo modelį, skirtą transplantato nepakankamumui numatyti a priori, naudojant didelę pacientų imtį. Mes išanalizavome keturis galimus prognozavimo modelius, naudodami statistinius ir mašininio mokymosi metodus. Geriausias modelis buvo Cox regresijos rizikos prognozavimo modelis, galintis numatyti mirties cenzūruotą transplantato nepakankamumą su vidutiniu diskriminacijos lygiu ir prognozavimo tikslumu, naudojant tik septynis nepriklausomus kintamuosius. Dabartinio indekso diskriminacinė galia pranoksta daugumą šiuo metu turimų transplantato žlugimo rizikos prognozavimo modelių.


Rizikos prognozavimo modelis buvo sukurtas naudoti priimant sprendimus prieš transplantaciją (pvz.inkstaspaskirstymas), todėl tik tie kintamieji, kurie buvo prieinami prieš transplantaciją, buvo laikomi nepriklausomais kintamaisiais. Mes naudojome vidinį patvirtinimą, kad sukurtume švelnų modelį, nes naudojant daug nepriklausomų kintamųjų galima lengvai sukurti prastai veikiančius modelius, kurie nėra apibendrinami dėl per didelio pritaikymo [35]. Laipsniškas kintamųjų pasirinkimas, dažniausiai naudojamas kintamųjų atrankos metodas, kuris buvo naudojamas kuriant KDRI, yra nestabilus metodas, galintis sukurti modelius, kurie prastai veikia išoriniame patvirtinime [28]. Septynių skirtingų kintamųjų atrankos derinių panaudojimas šiame tyrime, nustatytas remiantis ekspertų nuomonės ir statistikos deriniu, padėjo nustatyti

svarbiausi kintamieji, kurie paaiškino didžiąją duomenų dispersiją. Dėl švelnaus modelio gaunamas indeksas, kurį lengviau naudoti klinikinėje aplinkoje. Galutinis geriausias Cox modelis turi septynis kintamuosius, mažiau nei kintamųjų, naudojamų dažniausiai naudojamuose transplantato nepakankamumo rizikos prognozavimo modeliuose [3, 36].
Cox modelis pranoko tris tyrime naudotus mašininio mokymosi metodus. Literatūros apžvalga rodo, kad numatymo tikslumas davė nevienodus rezultatus, kai lyginamas mašininis mokymasis ir tradiciniai prognozavimo metodai [8]. Dabartiniame tyrime buvo naudojami du medžiu pagrįsti mašininio mokymosi metodai, o prastesnis šių metodų našumas mūsų duomenyse gali būti požymis, kad duomenys neturi pagrindinės medžio struktūros, kur rezultatai nustatomi dvejetainiais skilimais. Greičiau transplantato išgyvenimo rizika gali labiau priklausyti nuo nuolatinių prognozių, tokių kaip amžius.
Mūsų modelis buvo sukurtas siekiant numatyti mirties cenzūruotą transplantato nepakankamumą, o bendras transplantato nepakankamumas apima transplantato nepakankamumą ir mirtį su veikiančiu transplantatu. Žinios apie konkretaus donoro išgyvenimąinkstasyra svarbesnis už bendrą transplantato nepakankamumą priimant sprendimus prieš transplantaciją [2]. Mūsų tyrime mirties cenzūruoto transplantato nepakankamumo C indeksas buvo 0,67. Clayton ir kt. patvirtino JAV KDRI, naudodamas Australijos duomenis [2], ir C indeksą diskriminuojant mirtį, cenzūruotą

transplantato nepakankamumas buvo {{0}}.63, o tai yra mažesnė diskriminacija nei čia gauti rezultatai. Tačiau į KDRI įtraukus transplantacijos ir recipiento charakteristikas (iš viso nepriklausomi kintamieji 24), Clayton ir kt., Clayton et al. studijuoti. Šie autoriai neįvertino kalibravimo (numatymo tikslumo), o tai trukdo visapusiškai palyginti su mūsų tyrimo rezultatais. Mūsų geriausio modelio C indeksas yra 0,67 tik septyniems kintamiesiems, palyginti su 0,70 pastarųjų 24 kintamųjų C indeksu, todėl gydytojai gali manyti, kad šis nedidelis tikslumo padidėjimas nėra vertas sudėtingumo. Numatymo modeliai su daugybe kintamųjų taip pat yra sunkesni logistiniu požiūriu, nes jiems reikia surinkti daugiau duomenų, o jei trūksta tik vieno kintamojo, prognozės negali būti įvertintos.
Be to, dabartinio indekso diskriminacinė galia pranoko keletą kitų šiuo metu turimų indeksų, įskaitant KDRI, kaip aprašyta anksčiau. Kasiškė ir kt. (2010), sukūrė indeksą su 11 donoro ir recipiento kintamųjų, kuris buvo prieinamas prieš transplantaciją, o jo C indeksas buvo 0,649 [37]. 2018 m. naujesnio Molnaro ir kt. indekso C indeksas buvo 0,63, išskiriant pacientus, kuriems yra didelė transplantato nepakankamumo rizika. Šiame indekse buvo panaudota 10 donoro ir recipiento charakteristikų [38]. Todėl šiame dokumente aprašytas indeksas galėjo pasiekti geresnę diskriminacinę galią naudojant mažiau kintamųjų. Tačiau turime apsvarstyti, ar prognozė, naudojant indeksą su vidutiniu diskriminaciniu gebėjimu (C indeksas 0,67), yra priimtina paskirstymo tiksluinkstus, nes modelis toli gražu nėra tobulas C indeksas 1, o tai reiškia, kad mes


negali būti tikras, kad numatomi paskirstymai duos geriausius rezultatus. Klaidingai aukšto indekso rodmuo prognozės modelyje transplantacijos metu gali atgrasyti gydytoją ir pacientą nuo donoro priėmimo.inkstas. Tai stigmatizuojantis klaidingo donoro žymėjimo poveikisinkstasnes „ribinė / žema kokybė jau buvo dokumentuota [39].
Transplantato nepakankamumo numatymas yra sudėtingas reiškinys, apimantis donoro savybes, ypatybes, susijusias su donoro organų paėmimu, recipiento ypatybes, su transplantacija susijusias ypatybes ir veiksnius po transplantacijos, pvz., imunosupresinių vaistų vartojimą. Sprendimai, susiję suinkstaspaskirstymas, žinoma, turi būti atliktas prieš persodinant; todėl pirminio sprendimo priėmimo metu transplantacijos procedūriniai ir po transplantacijos susiję veiksniai nėra prieinami. Todėl kintamumo, į kurį neatsižvelgiama daugumoje šiuo metu turimų prognozavimo modelių, šaltinis (kaip rodo tik vidutinis jų diskriminacinio gebėjimo lygis), gali būti persodinami procedūriniai arba su transplantacija susiję veiksniai. Tai taip pat gali būti donoro ar recipiento veiksniai, kurie nėra įprastai fiksuojami duomenų bazėse, taip pat nenuspėjami stochastiniai įvykiai, lemiantys netobulas prognozes. Tai reiškia, kad tobulas C indeksas 1 greičiausiai neįmanomas modeliui, kuriame naudojami prieštransplantacijos faktoriai. Sunku žinoti, koks yra didžiausias pasiekiamas C indeksas, ir tam reikėtų atskiro modeliavimo pratimo, kuris apimtų nepatikrinamas prielaidas apie 1) stochastinių įvykių ir 2) neišmatuotų prognozių svarbą.

CISTANCHE PAGERINS INKSTŲ/INKSTŲ INFEKCIJĄ
Te Cox modelis sugebėjo atskirti kraštutines transplantato nepakankamumo rizikos kategorijas (geras ir blogas) su gera diskriminacine galia (C-indeksas=0.73), taigi instrumento naudingumas tarp ekstremalių transplantato gedimo rizikos kategorijų yra pranašesnis už kitas rizikos kategorijas. Todėl apribojus priemonės naudojimą tik tarp šių rizikos kategorijų, galima pasiekti geresnių rezultatųinkstų persodinimassprendimų priėmimas. Naudojome tvirtą vidinį patvirtinimą, tačiau išorinis patvirtinimas yra svarbus žingsnis link rizikos indekso priėmimo priimant klinikinius sprendimus, nes modelio, pagrįsto tik vidiniu patvirtinimu, veiksmingumo vertinimas gali lemti pernelyg optimistinį veiklos įvertinimą [28]. Be to, dauguma gydytojų gali nenorėti naudoti įrankio, kuris nebuvo išbandytas su kitaisinkstasgyventojų. Todėl siūlome, kad šis indeksas būtų išoriškai patvirtintas, kad būtų galima įvertinti apibendrinimą prieš naudojant klinikinėje praktikoje. Jei indeksas rodo gerą išorinį pagrįstumą, indeksas gali geriau duoti donorą recipientams ir pagerinti dabartinęinkstaspaskirstymas. Kadangi šis indeksas turi ir donoro, ir recipiento savybių, jis gali numatyti, kuris donoro ir recipiento atitikmuo turi didžiausią išgyvenamumą po transplantacijos.
Šis tyrimas turi keletą apribojimų. Nuspėjamasis modelis naudojo tik ANZDATA surinktus kintamuosius, todėl galbūt neįtraukėme viso pacientų rizikos profilio. Naudojome tik keturis metodus ir kitus mašininio mokymosi metodus, kurie galėtų modeliuoti informaciją apie laiką iki įvykio, galėjo duoti geresnių rezultatų. Tačiau mašininio mokymosi modeliai išgyvenimo duomenims nėra gerai išvystyti, o tai riboja mūsų geriausio taikymo modelių tipų pasirinkimą [35].
IšvadaApibendrinant galima pasakyti, kad naujasis indeksas vidutiniškai gerai išskiria pacientus, kuriems yra didesnė transplantato nepakankamumo rizika, ir vidutiniškai tiksliai prognozuoja transplantato nepakankamumą. Šis daug žadantis naujas indeksas vertas kito išorinio patvirtinimo žingsnio, siekiant įrodyti, kad jis naudojamas klinikinėje aplinkoje.

CISTANCHE PAGERINS INKSTU/INKSTŲ FUNKCIJĄ






