Neerutransplantaadi ellujäämise ennustamise riskiindeksi väljatöötamine ja kinnitamine: neerusiirdamise riskiindeks
Mar 04, 2022
Sissejuhatus
Neeru siirdaminepakub teistega võrreldes paremat elukvaliteeti ja paremat ellujäämistneerudasendusravi meetodid [1]. Tervishoiusüsteemid kogu maailmas näevad aga vaeva, et ületada kasvavat lõhet suure nõudluse vahelneerusiirdamisedja piiratud pakkumine. Üks strateegia on suunamineneerudsiirdatakse kõige pikema elueaga retsipientidele, vähendades seeläbi nii siiriku ebaõnnestumiste arvu kui ka toimiva siiriku tõttu surevate patsientide arvu [2]. Riskiennustusmudelid, mis ennustavad transplantaadi ebaõnnestumist enne siirdamist, on kliiniline tugi kõige pikema elueaga retsipientide ja madala ebaõnnestumisriskiga allograftide sobitamise keerulises otsustusprotsessis. Neid on mituneerudKirjanduses leiduvad siiriku riski prognoosimise mudelid, mis on aidanud kliinilises praktikas teha tõenduspõhiseid meditsiinilisi otsuseid [3, 4]. TheNeerDoonori riskiindeks (KDRI), mille on välja töötanud Rao jt. 2009. aastal on kliiniliste otsuste tegemisel laialdaselt kasutusele võetud [3] ja seda kasutatakse USA-sNeerJaotussüsteem [5]. Te C-indeks, mis näitab ennustusmudeli võimet eristada kauem säilinud siirikuid lühematest ellujäänud siirikutest, on aga 0,62, väärtus, mis tähistab ainult mõistlikku diskrimineerimist. Uudsed statistikal või masinõppemeetoditel põhinevad lähenemisviisid võivad anda täpsemaid prognoose [6].
Masinõpe on viimastel aastakümnetel kiiresti arenenud ja seda rakendatakse juba mõnes meditsiinilise diagnostika valdkonnas [7]. Meie rühma hiljutises süstemaatilises ülevaates rõhutati masinõppepõhiste riskiennustusmudelite rolli meditsiiniliste otsuste tegemisel, mis viib täpseminineeru siirdaminetulemuste ennustused [8]. Meie ülevaates leiti aga, et muud mudelid kui need, mis on välja töötatud Ameerika Ühendriikides, tuletati tavaliselt vähem kui 1,000 patsiendist. Lisaks ei modelleerinud ükski seni välja töötatud masinõppemudelitest sündmuseni kuluvat aega (ellujäämist) [8]. Selle asemel kasutas enamik binaarset tulemust, kas ebaõnnestumine või mitte. Siiski käsitleb binaarne lähenemine ühe aasta ellujäänud transplantaati võrdselt kahe aasta pärast ebaõnnestunud siirikuga, mis on patsiendi ja tervishoiusüsteemi jaoks väga erinevad. Need mudelid ei võta arvesse järelmeetmete kaotust. Seetõttu annab sündmuse aja dünaamika kaasamine ennustusmudelisse kliiniliselt ja majanduslikult olulist lisateavet [9]. Meie eesmärk oli välja töötada ja valideerida statistilisi ja masinõppe ennustavaid mudeleid, et ennustada siiriku ebaõnnestumist pärast surnud doonoritneeru siirdamine,kasutades sündmuse aja andmeid suures Austraalia riiklikus andmekogumis.
Märksõnad:Riskiprognoos, masinõpe, siiriku rike, neerusiirdamine, neer
meetodidSelle uuringu protokoll on eelretsenseeritud ja avaldatud [10]. Lühidalt, kolm masinõppe mudelit (ellujäämispuu[11], juhuslik ellujäämise mets[12] ja ellujäämise tugivektori masin[13]) ja üks traditsiooniline regressioon (Coxi regressioon[14]) sündmuseni kulunud ajast (ellujäämisaeg). loodud. Selles uuringus on kasutatud individuaalse prognoosi või diagnoosimise mitme muutujaga prognoosimudeli (TRIPOD) läbipaistva aruandluse metoodikat[15]. Uuringu kohort Andmeallikaks oli Austraalia ja Uus-Meremaa dialüüsi ja siirdamise register (ANZDATA)[16]. See kogub ja teatab dialüüsi ja dialüüsi levimuse, esinemissageduse ja tulemuste kohtaneeru siirdaminepatsiendid kogu Austraalias. Andmekogum sisaldas doonori ja retsipiendi tunnuseid 7365neerudainult surnud doonori siirdamine 1. jaanuarist 2007 kuni 31. detsembrini 2017 Austraalias.

CISTANCHE PARANDAB NEERU-/NEERUHAIGUST
TulemusEsmane tulemus oli siirdamise kuupäevast alates siirdamise ebaõnnestumise aeg. Patsiendid, kes surid toimiva transplantaadiga, kaasati ja neid tsenseeriti nende surmakuupäeval. Patsiente, kellel oli uuringuperioodi lõpus toimiv transplantaat, tsenseeriti 31. detsembril 2017. Kuuskümmend viis patsienti (0,9 protsenti) jäid jälgimisest ilma ja nad tsenseeriti nende viimasel teadaoleval jälgimiskuupäeval. Sõltumatud muutujad Meie eesmärk oli välja töötada riskiindeks kasutamiseks siirdamiseelses otsustusprotsessis, seetõttu kasutasime kõigis patsiendirühmades ainult enne siirdamist saadaolevaid muutujaid ja ANZDATA-s esitatud muutujaid. Kokku tuvastati 67 võimalikku sõltumatut muutujat, nii retsipiendi kui ka doonori tunnuseid[17].
Mudeli väljatöötamineoli järjestikune protsess, mis koosnes järgmisest viiest etapist: andmete ettevalmistamine, andmekogumi jagamine koolitus- ja valideerimisandmekogumiteks, muutujate valik, mudeli koolitus ja mudeli hindamine (joonis 1).
1. etapp: Andmete ettevalmistamine Enne mudeli väljatöötamist töödeldi andmeid puuduvate väärtuste töötlemise, kategooriamuutujate fiktiivse kodeerimise ja pidevate muutujate skaleerimise teel. Andmekogumis oli peaaegu 500 000 andmepunkti (7365 patsienti × 67 sõltumatut muutujat) ja 2,5 protsenti andmepunktidest puudus. Enamikul muutujatest (64 protsenti) oli puudu alla 1 protsendi. Puuduvate väärtustega muutujate puhul kasutati 14 kategoorilise muutuja ja 17 pideva muutuja jaoks mitut imputatsiooni juhusliku kuumade ja klassifikatsiooni- ja regressioonipuudega (CART), kasutades R-paketi simulatsiooni[18] koos 7365 patsiendi täieliku andmekogumiga. Ekspertarvamuse põhjal määrati 13 kategoorilise muutuja puuduvad väärtused andmete kadumise vältimiseks eraldi kategooria "puuduvad". Numbrilised sõltumatud muutujad normaliseeriti, kasutades min-max skaleerimist, teisendades need sarnaseks skaalaks, et lihtsustada muutujate võrdlust[19]. Kategoorilised muutujad kodeeriti fiktiivselt nominaalsetesse kategooriatesse. Pärast näivkodeerimist oli sõltumatute muutujate koguarv 98.
2. samm: koolitus- ja valideerimisandmedAndmekogum jagati juhuslikult kaheks osaks: koolitusandmestik ja valideerimisandmekogum. Nelja ennustava mudeli treenimiseks kasutatud treeningkomplekt sisaldas 70 protsenti andmetest (n=5,156). Valideerimiskomplekti (n=2, 209) kasutati iga mudeli ennustusvõime tugevaks testimiseks. Eraldi valideerimiskomplekti olemasolu andis mudelite ennustustäpsuse realistlikumad hinnangud ja aitas vältida ülepaigutamist.

3. samm: muutuv valikMudeli koostamise protsessis on oluline samm ennustavate muutujate säästliku komplekti valimine suurest saadaolevate sõltumatute muutujate hulgast (n=98). Liiga paljud sõltumatud muutujad mudelis võivad liialt sobituda, mis omakorda vähendab ennustusvõimet[20]. Sõltumatute muutujate valimiseks kasutati puumeetodeid: 1. Eksperdiarvamus: Puudega kogenud nefroloogid vaatasid üle võimaliku sõltumatute muutujate komplekti ja näitasid, kas muutujal on kliiniline tähtsus. Vähemalt kahe eksperdi kokkulepet peeti piisavaks muutuja kaasamiseks mudelisse. 2. Põhikomponentide analüüs [21] vähendab andmestiku dimensioonilisust, muutes selle muutujatevaheliste korrelatsioonide põhjal väiksemaks arvuks põhikomponentideks. See komponentide komplekt säilitab ideaaljuhul suurema osa dispersioonist ja seega ei kaota teavet, kuid kasutab seda vähem muutujaid kasutades. Kasutasime peamiste komponentide arvu, mis säilitasid 90 protsenti esialgsest dispersioonist. 3. Mudeli elastsed netotehingud ja keerukus säästliku mudeli leidmiseks. Selles uuritakse erinevaid mudeleid, kasutades karistusi, et vältida liigset sobitamist, alates karistuseta (Ridge'i regressioon – L2) kuni äärmusliku trahvini (Lasso regressioon – L1), et leida ristvalideerimise abil ideaalne karistuste kompromisspunkt[22]. . Elastse võrgumudeli kujundamiseks kasutati väärtusi L1 ja L2, mis andsid ristvalideerimise ajal väikseima keskmise ruudu vea. Neid individuaalseid muutujate valikumeetodeid kasutati eraldi ja ka kõigis võimalikes kombinatsioonides, nt ekspertarvamus, millele järgnes elastne võrk. Seetõttu kasutati seitsme erineva sõltumatute muutujate komplekti genereerimiseks kokku seitset muutujate valiku meetodit.
4. samm: mudelikoolitusKasutasime nelja lähenemisviisi, et modelleerida aega esmase sündmuseni, st ellujäämise tulemuseni. Coxi proportsionaalne regressioon[14]. Seda poolparameetrilist mudelit kasutatakse laialdaselt tulemuste, näiteks ellujäämisandmete ja sõltumatute muutujate vaheliste seoste uurimiseks. Pärast valitud sõltumatute muutujate modelleerimist vähendati muutujate arvu veelgi, lisades ainult need, mis olid statistiliselt olulised (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).>
Ellujäämise toetamise vektormasin[13]. See kasutab hüpertasandeid sõltumatute muutujate klasside loomiseks kas lineaarselt (nt lineaarne kerneli funktsioon) või mittelineaarselt eraldatavate andmetega (nt polünoomtuum)[26, 27]. Mudeli jõudluse põhjal paigaldati kõik tugivektori masinamudelid lineaarse kerneli funktsiooni abil regressioonitüüpi ellujäämise tugivektori masinamudeliga. Seitset sõltumatute muutujate komplekti kasutati nelja ennustava mudeli koolitamiseks ja kinnitamiseks, mis andsid 28 tulemust: seitse muutuja valiku meetodit × neli ennustavat mudelit. Iga nelja mudeli ennustatud tulemus oli intervallskaalal indeks, mille me märgistameNeeru siirdamineRiskindeks.

CISTANCHE PARANDAB neeru-/NEerupuudulikkust
5. samm: mudelite hindamineHindasime mudeleid, kasutades Roystoni ja Altmani[28] pakutud meetodeid. Mudeli jõudlust hinnati kahe mõõdiku abil: diskrimineerimine ja kalibreerimine. Hea diskrimineerimisega indeks peaks omama kõrgemat riskiskoori kõrgema riskiga patsientide puhul ja vastupidi. Kalibreerimine mõõdab prognoosi täpsust, kuna see võrdleb indeksi prognoositud ellujäämise täpsust vaadeldavate andmete ellujäämisega[29]. Meie uuringu jaoks on diskrimineerimine olulisem kui kalibreerimine, kuna meie eesmärk on anda otsuste tegemise juhend, mis tuvastab suhteliselt kõrge ja madala riskiga patsiendid[28]. Seetõttu valiti parim mudel, kasutades vastavusindeksit (C-indeks)[30], indeksit, mis hindab mudeli diskrimineerimisvõimet. Te C-indeks on defineeritud kui patsientide paaride osa, kus pikema elulemusajaga patsiendil on ka madalam riskiennustus. Vastavusvahemik on nulli ja ühe vahel, suurem väärtus näitab paremat jõudlust ja 0,5 näitab juhuslikku diskrimineerimist.
Kasutades Roystoni ja Altmani hindamismeetodeid, jaotati kõige paremini sobivate mudelite indeksid nelja rühma 16., 50. ja 84. sajandil, et välja töötada neli prognostilist rühma: hea, üsna hea, üsna halb ja halb. Ebavõrdse suurusega rühmade kasutamine parandas patsientide diskrimineerimist nelja rühma vahel ja rühmitas sarnase riskiga patsiendid[28]. Nende nelja rühma ellujäämist võrreldi Kaplan-Meieri graafikute abil, mis ideaaljuhul peaksid näitama suurt erinevust nelja rühma ellujäämises.
Kalibreerimist hinnati visuaalselt, kasutades kõige paremini sobivat Coxi mudelit. Bootstrapi kordusproove kasutati, et hinnata eelarvamusega korrigeeritud prognoositud ja täheldatud keskmist elulemust 3 ja 5 aastat pärast siirdamist[31]. Täiuslik kokkulepe ennustatud ja täheldatud keskmise ellujäämise vahel näitab täiuslikult kalibreeritud ennustusmudelit. Parimat ennustusmudelit võrreldi KDRI ennustamisvõimega, mis on praegune mudel, mida kasutavad paljud kliinilised otsustajad. Te KDRI-l on 14 doonori ja siirdamisega seotud muutujat ning see töötati välja Coxi regressiooni abil, et ennustada üldist siiriku ebaõnnestumist. Muutujad valiti ebaoluliste muutujate astmelise kustutamise teel[3] ja sellel mudelivaliku meetodil on kirjanduses dokumenteeritud palju piiranguid, sealhulgas kollineaarsus, liiga väikesed p-väärtused ja liiga kitsad usaldusvahemikud[32]. Ennustavate mudelite väljatöötamiseks kasutati programmeerimiskeelt Te R (versioon 3.6.{13}}), mille teegid on „survivalism”, „ranger”, „survival” ja „LTRCtrees”[33].
EetikaKuningliku Adelaide'i haigla inimuuringute eetikakomitee on andnud ANZDATA registri tegevusele täieliku eetilise heakskiidu. Sellele uuringule andis Queenslandi Tehnikaülikooli eetikatunnistus.
Tulemused
Algtaseme omadusedRetsipientide ja doonorite tunnused on toodud tabelis 1. Uuringu koguproovis oli 7365 surnud doonoritneerusiirdamisedviidi läbi 1. jaanuarist 2007 kuni 31. detsembrini 2017. Doonorite keskmine vanus oli 52 aastat (kvartiilidevaheline vahemik 41 kuni 60) ja retsipientide vanus 47 aastat (kvartiilidevaheline vahemik 32 kuni 58). Enamus olid mehed (63 protsenti). Umbes 87 protsenti siirikutest olid esmased pookoksad.

Muutujate valik Tere oli 98 potentsiaalset sõltumatut muutujat. Tabelis 2 on kokku võetud kolme lähenemisviisi tulemused sõltumatute muutujate alamhulga valimiseks, mis ei sobinud üle, mille tulemuseks on seitse sõltumatute muutujate komplekti. Ekspertarvamus vähendas sõltumatud muutujad 40 muutujani, elastne võrk aga 46 muutujani. Kõigi kolme muutujavaliku meetodi rakendamine vähendas 98 potentsiaalset muutujat 23 põhikomponendini. Kõiki neist seitsmest sõltumatute muutujate komplektist kasutati mudelite koolitamiseks ja testimiseks. Mudeli koostamise ajal vähendati sõltumatuid muutujaid cox-is ja RSF-is veelgi, kaasates ainult need, mis olid statistiliselt olulised (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)>


Kõige paremini istuv Coxi mudelKuna doonori vanus oli siiriku ellujäämise tugev ennustaja, lisati mudelisse vanuse mittelineaarne teisendus (logaritmiline alus 2). See suurendas C-indeksit ainult 0.003. Skaalasime indeksi keskmise doonori (45 aastat) ja retsipientide vanuse (50 aastat) järgi. Coxi mudeli indeks arvutatakse nii, nagu on näidatud joonisel 2. Alternatiivina paigaldati ka Weibulli mudel, mis eeldab, et oht on ajast sõltuv[34]. C-indeksit vähendati aga 0,0014 võrra, mis ei suurendanud diskrimineerimist, ja seetõttu jätsime Coxi mudeli alles. Doonori hüpertensioon (HR 1,43; 95% CI 1,16 kuni 1,76) suurendas polütsüstilise haiguse riski.neeruhaiguskui esmane neeruhaigus vähendas ebaõnnestumise ohtu (HR {0}},66; 95 protsenti CI 0,48 kuni 0,91) (tabel 5).
Patsientide indeksi jaotus näitab, et riskirühmade hinded on "Hea"< 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) (tabel 6). Kaplan-Meieri ellujäämiskõverad, mis näitavad surma tsenseeritudneerudnelja riskirühma transplantaadi ebaõnnestumine on näidatud joonisel 3. Kuna riskirühmad liiguvad "hea" asemel "halb", näitavad ellujäämiskõverad märkimisväärselt suurenenud siiriku ebaõnnestumise riski. Lisaks, võrreldes rühmaga "Hea", kui rühmad liiguvad "Üsna hea" asemel "Kehv", suureneb ohusuhe nii koolituse kui ka valideerimise andmekogumites (tabel 7). Need tulemused näitavad, et indeksil on hea diskrimineeriv jõud[28].
Keskmine hinnanguline elulemus võrreldes keskmise tegeliku elulemusega 3-aastatel ja 5-aastatel on kujutatud joonisel 4. Täiuslikult kalibreeritud mudeli korral asuvad andmepunktid piki katkendjoont (täiuslik ennustusjoon). , mis näitab täiuslikku ennustustäpsust. Keskmine tegelik elulemus on pidevalt madalam kui prognoositud elulemus nii 3 kui ka 5 aasta pärast. Kuid lõhe täiusliku eelennustusjoone ja ennustusjoone vahel mõlemal ajaperioodil väheneb, kui prognoositav ellujäämine suureneb. Üldiselt näitab Coxi mudel mõõdukat ennustustäpsust.
Arutelu
Meie uuringus töötati välja riskiennustusmudel, et ennustada siiriku ebaõnnestumist a priori, kasutades suurt patsientide valimit. Analüüsisime nelja võimalikku ennustusmudelit, kasutades statistilisi ja masinõppe meetodeid. Parim mudel oli Coxi regressiooniriski prognoosimise mudel, mis võimaldas ennustada surmaga tsenseeritud siiriku ebaõnnestumist mõõduka diskrimineerimise ja prognoosimise täpsusega, kasutades ainult seitset sõltumatut muutujat. Praeguse indeksi diskrimineeriv jõud ületab enamiku praegu saadaolevatest siiriku ebaõnnestumise riski prognoosimise mudelitest.


Riskiennustusmudel töötati välja siirdamiseelsete otsuste tegemiseks (nt.neeruderaldamine), seega loeti sõltumatuteks muutujateks ainult enne siirdamist saadaolevaid muutujaid. Kasuliku mudeli loomiseks kasutasime sisemist valideerimist, kuna suure hulga sõltumatute muutujate kasutamine võib kergesti luua halvasti toimivaid mudeleid, mis ei ole ülepaigutamise tõttu üldistatavad [35]. Astmeline muutujate valik, KDRI väljatöötamiseks kasutatud sageli kasutatav muutujate valiku meetod, on ebastabiilne meetod, mis võib luua mudeleid, mis toimivad välises valideerimises halvasti [28]. Seitsme erineva muutujavaliku kombinatsiooni kasutamine käesolevas uuringus, mis tuvastati ekspertarvamuse ja statistika kombinatsiooni põhjal, aitas tuvastada

kõige olulisemad muutujad, mis selgitasid suuremat osa andmete dispersioonist. Kasulik mudel annab indeksi, mida on kliinilises keskkonnas lihtsam kasutada. Lõplikul parimal Coxi mudelil on seitse muutujat, mis on vähem kui muutujate arv, mida kasutatakse kõige sagedamini kasutatavates transplantaadi ebaõnnestumise riski ennustamise mudelites [3, 36].
Coxi mudel ületas kolme uuringus kasutatud masinõppemeetodit. Kirjanduse ülevaade näitab, et ennustustäpsus andis masinõppe ja traditsiooniliste ennustamismeetodite võrdlemisel erinevaid tulemusi [8]. Praeguses uuringus kasutati kahte puupõhist masinõppemeetodit ja nende meetodite kehvem jõudlus meie andmetes võib viidata sellele, et andmetel puudub aluseks olev puustruktuur, kus tulemused määratakse binaarsete jaotuste abil. Pigem võib siiriku ellujäämise risk olla rohkem sõltuv pidevatest ennustajatest, nagu vanus.
Meie mudel töötati välja selleks, et ennustada surmaga tsenseeritud siiriku ebaõnnestumist, samas kui üldine siiriku ebaõnnestumine hõlmab nii siiriku ebaõnnestumise kui ka surma ja toimiva transplantaadi kombinatsiooni. Teadmised antud doonori ellujäämisestneerudon siirdamiseelsete otsuste tegemisel olulisem kui siiriku üldine ebaõnnestumine [2]. Meie uuringus oli surmaga tsenseeritud transplantaadi ebaõnnestumise C-indeks 0,67. Clayton et al. kinnitas USA KDRI, kasutades Austraalia andmeid [2], ja C-indeksit surma tsenseeritud diskrimineerimisel

siiriku ebaõnnestumine oli {{0}},63, mis on madalam diskrimineerimine kui siin saadud tulemused. Kuid nii siirdamise kui ka retsipiendi tunnuste (sõltumatuid muutujaid kokku 24) kaasamine KDRI-sse suurendas Claytoni jt uuringus surmaga tsenseeritud siiriku ebaõnnestumise C-indeksit 0,70-ni. Uuring. Need autorid ei hinnanud kalibreerimist (ennustuse täpsust), mis takistab igakülgset võrdlemist meie uuringu tulemustega. Meie parima mudeli C-indeks on 0,67 vaid seitsme muutuja jaoks, võrreldes viimase 24 muutuja C-indeksiga 0,70 ja arstid võivad seda väikest täpsuse suurenemist pidada keerukuse suurendamist väärt. Paljude muutujatega ennustusmudelid on ka logistiliselt keerulisemad, kuna nende jaoks on vaja rohkem andmeid koguda ja ainult ühe puuduva muutuja tõttu ei saa prognoosi hinnata.
Veelgi enam, praeguse indeksi diskrimineeriv jõud ületas paari teist praegu saadaolevat indeksit, sealhulgas KDRI, nagu varem kirjeldatud. Kasiske jt. (2010), töötas välja indeksi 11 doonori ja retsipiendi muutujaga, mis oli saadaval enne siirdamist ja mille C-indeks oli 0,649 [37]. Molnari jt hiljutise 2018. aasta indeksi C-indeks oli 0,63, eristades siirikupuudulikkuse kõrge riskiga patsiente. See indeks kasutas 10 doonori ja retsipiendi tunnust [38]. Seetõttu suutis selles artiklis kirjeldatud indeks saavutada parema diskrimineeriva jõu vähemate muutujatega. Siiski peame kaaluma, kas ennustus, mis kasutab mõõduka diskrimineerimisvõimega indeksit (C-indeks 0,67), on jaotamise eesmärgil vastuvõetav.neerud, kuna mudel on kaugel täiuslikust C-indeksist 1, mis tähendab meie


ei saa olla kindel, et prognoositud eraldised annavad parimaid tulemusi. Vale kõrge indeksi näit ennustusmudelis siirdamise ajal võib heidutada nii arsti kui ka patsienti doonori vastu võtmast.neerud. See on doonori eksliku märgistamise häbimärgistav mõjuneerudkui „marginaalne/madal kvaliteet on juba dokumenteeritud [39].
Transplantaadi ebaõnnestumise ennustamine on keeruline nähtus, mis hõlmab doonori tunnuseid, doonori elundite otsimisega seotud tunnuseid, retsipiendi omadusi, siirdamisega seotud tunnuseid ja siirdamisjärgseid tegureid, nagu immunosupressiooniravimite kasutamine. Otsused, mis on seotudneeruderaldamine tuleb loomulikult teha enne ümberistutamist; seetõttu ei ole siirdamise protseduurilised ja siirdamisjärgsed tegurid selle esialgse otsuse tegemise ajal kättesaadavad. Seetõttu võivad varieeruvuse allikaks, mida enamikus praegu saadaolevates ennustusmudelites arvesse ei võeta (nagu näitab nende ainus mõõdukas diskrimineerimisvõime), olla siirdatud protseduurilised või siirdamisjärgsed tegurid. Need võivad olla ka doonor- või retsipienttegurid, mida andmebaasides rutiinselt ei salvestata, aga ka ettearvamatud stohhastilised sündmused, mis viivad ebatäiuslike ennustusteni. See tähendab, et siirdamiseelseid tegureid kasutava mudeli puhul on täiuslik C-indeks 1 tõenäoliselt võimatu. Raske on teada, milline on kõrgeim saavutatav C-indeks ja see nõuaks eraldi modelleerimist, mis sisaldab kontrollimatuid eeldusi 1) stohhastiliste sündmuste ja 2) mõõtmata ennustajate tähtsuse kohta.

CISTANCHE PARANDAB NEeru-/NEERUNEKTSIOONI
Te Coxi mudel suutis eristada transplantaadi ebaõnnestumise riski äärmuslikke kategooriaid (hea vs halb) hea eristusvõimega (C-indeks=0.73), seega oli instrumendi kasulikkus siiriku ebaõnnestumise riski äärmuslike kategooriate hulgas. on teiste riskikategooriatega võrreldes parem. Seetõttu võib instrumendi kasutamise piiramine ainult nende riskikategooriate hulgas anda paremaid tulemusineeru siirdamineotsuse tegemine. Oleme kasutanud tugevat sisemist valideerimist, kuid väline valideerimine on oluline samm riskiindeksi aktsepteerimise suunas kliiniliste otsuste tegemisel, kuna mudeli toimivuse hindamine, mis põhineb ainult sisemisel valideerimisel, võib viia toimivuse liiga optimistliku hinnanguni [28]. Lisaks ei pruugi enamik arste soovi kasutada tööriistu, mida pole erinevatel katsetel testitudneerudpopulatsioonid. Seetõttu teeme ettepaneku, et see indeks tuleks enne kliinilises praktikas kasutamist üldistavuse hindamiseks väliselt valideerida. Kui indeks näitab head välist kehtivust, on indeksil potentsiaali paremini anda abisaajatele doonor, parandades praegustneeruderaldamine. Kuna sellel indeksil on nii doonori kui ka retsipiendi tunnused, saab ennustada, millisel doonori-retsipiendi vastel on saadaolevate valikute hulgas kõrgeim siirdamisjärgne elulemus.
Sellel uuringul on mitmeid piiranguid. Ennustav mudel kasutas ainult ANZDATA kogutud muutujaid, seega ei pruugi me hõlmata patsientide täielikku riskiprofiili. Kasutasime ainult nelja meetodit ja muud masinõppemeetodid, mis võiksid modelleerida sündmuste toimumise aega, võisid anda paremaid tulemusi. Ellujäämisandmete masinõppemudelid pole aga hästi välja töötatud, mis piirab meie parima rakenduse mudelitüüpide valikut [35].
JäreldusKokkuvõtteks võib öelda, et uus indeks eristab mõõdukalt hästi suurema siirikupuudulikkuse riskiga patsiente ja teeb siiriku ebaõnnestumise prognoose mõõduka täpsusega. See paljutõotav uus indeks on väärt välise valideerimise järgmist sammu, et tõestada selle kasutamist kliinilistes tingimustes.

CISTANCHE PARANDAB NEERU/NEERU FUNKTSIOONI






