Riska indeksa izstrāde un validācija nieru transplantāta izdzīvošanas prognozēšanai: nieru transplantācijas riska indekss
Mar 04, 2022
Ievads
Nieru transplantācijapiedāvā labāku dzīves kvalitāti un izcilu izdzīvošanu salīdzinājumā ar citiemniereaizstājterapijas metodes [1]. Tomēr veselības aprūpes sistēmas visā pasaulē cīnās, lai pārvarētu pieaugošo plaisu starp lielo pieprasījumu pēcnieru transplantācijasun ierobežotais piedāvājums. Viena no stratēģijām ir režijanieretransplantāti saņēmējiem ar vislielāko ilgmūžību, tādējādi samazinot gan transplantāta neveiksmju skaitu, gan to pacientu skaitu, kuri mirst ar funkcionējošu transplantātu [2]. Riska prognozēšanas modeļi, kas paredz transplantāta mazspēju pirms transplantācijas, ir klīnisks atbalsts sarežģītai lēmumu pieņemšanai, saskaņojot saņēmējus ar vislielāko ilgmūžību un allotransplantātus ar zemu neveiksmes risku. Ir vairākinieretransplantāta riska prognozēšanas modeļi literatūrā, kas ir palīdzējuši uz pierādījumiem balstītu medicīnisku lēmumu pieņemšanā klīniskajā praksē [3, 4]. GadaNiere2009. gadā Rao et al. izstrādātais donoru riska indekss (KDRI) ir plaši izmantots klīnisko lēmumu pieņemšanā [3], un to izmanto ASVNiereSadales sistēma [5]. Te C-indekss, kas norāda uz prognozes modeļa spēju atšķirt ilgāk izdzīvojušos transplantātus no īsākiem izdzīvojušajiem transplantātiem, tomēr ir 0,62, vērtība, kas apzīmē tikai saprātīgu diskrimināciju. Jaunām pieejām, kuru pamatā ir statistika vai mašīnmācīšanās metodes, ir potenciāls dot precīzākas prognozes [6].
Mašīnmācīšanās pēdējo desmitgažu laikā ir strauji attīstījusies un jau tiek pielietota dažās medicīniskās diagnostikas jomās [7]. Nesenajā mūsu grupas sistemātiskajā pārskatā tika uzsvērta uz mašīnmācīšanos balstītu riska prognozēšanas modeļu nozīme medicīnisko lēmumu pieņemšanā, kas noveda pie precīzākasnieru transplantācijaiznākuma prognozes [8]. Tomēr mūsu pārskatā tika konstatēts, ka modeļi, kas nav izstrādāti Amerikas Savienotajās Valstīs, parasti tika iegūti no paraugu lieluma, kas bija mazāks par 1,000 pacientiem. Turklāt neviens no līdz šim izstrādātajiem mašīnmācīšanās modeļiem nemodelēja laiku līdz notikumam (izdzīvošanu) [8]. Tā vietā lielākā daļa izmantoja neveiksmes bināro iznākumu vai nē. Tomēr binārā pieeja ārstē transplantātu, kas izdzīvo vienu gadu, kas ir vienāds ar transplantātu, kas neizdodas divu gadu laikā, un pacientam un veselības aprūpes sistēmai ir ļoti atšķirīgi rezultāti. Šie modeļi neņem vērā zaudējumus pēcpārbaudes. Tāpēc, iekļaujot laika dinamiku līdz notikumam prognozēšanas modelī, tiek iegūta klīniski un ekonomiski svarīga papildu informācija [9]. Mūsu mērķis bija izstrādāt un apstiprināt statistikas un mašīnmācīšanās prognozējošos modeļus, lai prognozētu transplantāta mazspēju pēc miruša donoranieru transplantācija,izmantojot datus par laiku līdz notikumam lielā valsts datu kopā no Austrālijas.
Atslēgvārdus:Riska prognozēšana, Mašīnmācīšanās, transplantāta mazspēja, Nieru transplantācija, Nieres
MetodesŠī pētījuma protokols ir recenzēts un publicēts [10]. Īsumā tika ģenerēti trīs mašīnmācīšanās (izdzīvošanas koks[11], nejaušs izdzīvošanas mežs[12] un izdzīvošanas atbalsta vektora mašīna[13]) un viens no tradicionālajiem regresijas (Koksa regresijas[14]) modeļiem no laika līdz notikumam (izdzīvošanas laiks). Par šo pētījumu tiek ziņots, izmantojot metodiku Pārredzama ziņošana par daudzfaktoru prognozēšanas modeli individuālai prognozei vai diagnozei (TRIPOD)[15]. Pētījuma kohorta Te datu avots bija Austrālijas un Jaunzēlandes dialīzes un transplantācijas reģistrs (ANZDATA)[16]. Tā apkopo un ziņo par dialīzes izplatību, biežumu un rezultātiem, unnieru transplantācijapacientiem visā Austrālijā. Datu kopā bija donora un saņēmēja īpašības 7 365niereAustrālijā tika veiktas tikai mirušas donoru transplantācijas no 2007. gada 1. janvāra līdz 2017. gada 31. decembrim.
CISTANCHE UZLABOS NIERU/NIERU SLIMĪBU
RezultātuPrimārais iznākums bija laiks potēt mazspēju, sākot no transplantācijas datuma. Pacienti, kuri nomira ar funkcionējošu transplantātu, tika iekļauti, un viņu nāves dienā viņi tika pareizi cenzēti. Pacienti ar funkcionējošu transplantātu pētījuma perioda beigās tika pareizi cenzēti 2017. gada 31. decembrī. Sešdesmit pieci pacienti (0,9%) tika zaudēti, lai veiktu novērošanu, un viņu pēdējā zināmajā novērošanas datumā viņi tika pareizi cenzēti. Neatkarīgi mainīgie lielumi Mūsu mērķis bija izstrādāt riska indeksu, ko izmantot lēmumu pieņemšanā pirms transplantācijas, tāpēc mēs izmantojām tikai mainīgos lielumus, kas pieejami pirms transplantācijas, un mainīgos lielumus, par kuriem ziņots ANZDATA visās pacientu grupās. Kopumā tika identificēti 67 iespējamie neatkarīgie mainīgie lielumi – gan saņēmēja, gan donora raksturojums–[17].
Modeļa izstrādebija secīgs process ar šādiem pieciem soļiem: datu sagatavošana, datu kopas sadalīšana apmācības un validācijas datu kopās, mainīgo atlase, modeļu apmācība un modeļu novērtēšana (1. att.).
1. solis: Datu sagatavošana Pirms modeļa izstrādes dati tika apstrādāti: trūkstošo vērtību apstrāde, fiktīvu kategorisko mainīgo kodēšana un nepārtraukto mainīgo mērogošana. Datu kopā bija gandrīz 500 000 datu punktu (7 365 pacienti×67 neatkarīgi mainīgie) un 2,5% datu punktu trūka. Lielākajai daļai mainīgo lielumu (64%) pietrūka mazāk nekā 1%. Mainīgajiem lielumiem ar trūkstošām vērtībām tika izmantotas vairākas imputācijas 14 kategoriskiem mainīgajiem lielumiem un 17 nepārtrauktiem mainīgajiem lielumiem ar nejaušu karsto klāju un klasifikācijas un regresijas kokiem (CART), izmantojot R pakotnes "simputāciju"[18] ar pilnu datu kopu 7,365 pacientiem. Pamatojoties uz ekspertu viedokli, trūkstošajām 13 kategorisko mainīgo lielumu vērtībām tika piešķirta atsevišķa "trūkstošo" kategorija, lai izvairītos no datu zuduma. Skaitliskie neatkarīgie mainīgie tika normalizēti, izmantojot min-max mērogošanu, pārvēršot tos līdzīgā skalā, lai vienkāršotu mainīgo lielumu salīdzinājumus[19]. Kategoriskie mainīgie lielumi bija manekeni, kas kodēti nominālās kategorijās. Pēc fiktīvu kodēšanas kopējais neatkarīgo mainīgo skaits bija 98.
2. darbība: apmācības un validācijas datiTe datu kopa tika nejauši sadalīta divās daļās: apmācības datu kopa un validācijas datu kopa. Apmācību komplektā, ko izmantoja, lai apmācītu četrus prognozējošos modeļus, bija 70% datu (n=5,156). Validācijas kopa (n=2,209) tika izmantota, lai stabili pārbaudītu katra modeļa prognozējošo jaudu. Atsevišķa validācijas kopa sniedza reālistiskākas aplēses par modeļu prognožu precizitāti un palīdzēja izvairīties no pārmērīgas pielaikošanas.
3. solis: mainīga izvēleSvarīgs solis modeļa veidošanas procesā ir parsimonālas prognozētāju mainīgo kopas izvēle no lielā pieejamo neatkarīgo mainīgo kopuma (n=98). Pārāk daudz neatkarīgu mainīgo modelī, savukārt, riskē ar pārmērīgu pielaikošanu, samazinot prognozējošo jaudu[20]. Koku metodes tika izmantotas, lai izvēlētos neatkarīgos mainīgos lielumus: 1. Ekspertu atzinums: Koku pieredzējuši nefrologi pārskatīja iespējamo neatkarīgo mainīgo lielumu kopumu un norādīja, vai mainīgajam ir klīniska nozīme. Vismaz divu ekspertu vienošanās tika uzskatīta par atbilstošu, lai modelī iekļautu mainīgo lielumu. 2. Galveno komponentu analīze [21] samazina datu kopas dimensiju, pārveidojot to par mazāku galveno komponentu skaitu, pamatojoties uz korelācijām starp mainīgajiem lielumiem. Šis komponentu kopums ideālā gadījumā saglabā lielāko daļu dispersijas un tādējādi nezaudē informāciju, bet to dara, izmantojot mazāk mainīgo. Mēs izmantojām galveno komponentu skaitu, kas saglabāja 90% no sākotnējās dispersijas. 3. Elastīgs neto tirgojas ar modeli ft un sarežģītība, lai atrastu parsimonisku modeli. Tajā aplūkoti dažādi modeļi, kuros tiek izmantoti sodi, lai izvairītos no pārmērīgas pielaikošanas, kas svārstās no soda neesamības (Ridge regression – L2) līdz galējam sodam (Lasso regresija – L1), lai atrastu ideālu soda kompromisa punktu, izmantojot savstarpēju validāciju[22]. L1 un L2 vērtības, kas radīja zemāko vidējo kvadrātisko kļūdu šķērseniskās validācijas laikā, tika izmantotas elastīgā tīkla modeļa ftēšanai. Tese individuālās mainīgās atlases metodes tika piemērotas atsevišķi un arī visās iespējamās kombinācijās, piemēram, ekspertu atzinums, kam sekoja elastīgs tīkls. Tāpēc kopumā tika izmantotas septiņas mainīgas atlases metodes, lai ģenerētu septiņas dažādas neatkarīgu mainīgo lielumu kopas.
4. solis: modeļa apmācībaMēs izmantojām četras pieejas, lai modelētu laiku līdz primārajam notikumam, ti, izdzīvošanas iznākumu. Koksa proporcionālā regresija[14]. Šis pusparametriskais modelis tiek plaši izmantots, lai izpētītu saistību starp tādiem rezultātiem kā izdzīvošanas dati un neatkarīgi mainīgie. Pēc izvēlēto neatkarīgo mainīgo lielumu modelēšanas mainīgo lielumu skaits tika vēl vairāk samazināts, iekļaujot tikai tos, kas bija statistiski nozīmīgi (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="">
Izdzīvošanas atbalsta vektora mašīna[13]. Tas izmanto hiperplānus, lai izveidotu neatkarīgu mainīgo lielumu klases vai nu ar lineāru (piemēram, lineāru kodola funkciju), vai nelineāri atdalāmiem datiem (piemēram, polinoma kodolu)[26, 27]. Pamatojoties uz modeļa veiktspēju, visi atbalsta vektoru mašīnu modeļi tika uzstādīti, izmantojot lineāru kodola funkciju ar "regresijas" tipa izdzīvošanas atbalsta vektora mašīnas modeli. Septiņas neatkarīgo mainīgo lielumu kopas tika izmantotas, lai apmācītu un apstiprinātu četrus prognozējošos modeļus, kas sniedza 28 rezultātus: septiņas mainīgās atlases metodes× mūsu prognozējošos modeļus. Prognozētais iznākums katram no četriem modeļiem bija indekss intervāla skalā, ko mēs apzīmējam kāNieru transplantācijaRiska indekss.
CISTANCHE UZLABOS NIERU/NIERU MAZSPĒJU
5. solis: modeļu novērtēšanaMēs novērtējām modeļus, izmantojot Royston un Altman piedāvātās metodes[28]. Modeļa veiktspēja tika novērtēta, izmantojot divus rādītājus: diskrimināciju un kalibrēšanu. Indeksam ar labu diskrimināciju vajadzētu būt augstākiem riska rādītājiem augstāka riska pacientiem un otrādi. Kalibrēšana mēra prognozes precizitāti, salīdzinot prognozētās izdzīvošanas precizitāti no indeksa ar izdzīvošanu novērotajos datos[29]. Mūsu pētījumam objektīvā diskriminācija ir svarīgāka par kalibrēšanu, jo mūsu mērķis ir sniegt ceļvedi lēmumu pieņemšanai, kas identificē salīdzinoši augsta un zema riska pacientus[28]. Tāpēc labākais modelis tika izvēlēts, izmantojot konkordances indeksu (C-indekss)[30], indeksu, kas novērtē modeļa diskriminējošo spēju. Te C-indeksu definē kā pacientu pāru daļu, kur pacientam, kuram ir ilgāks izdzīvošanas laiks, ir arī zemāks prognozētais riska rādītājs. Saskaņas diapazons ir starp nulli un vienu, ar augstāku vērtību, kas norāda uz labāku veiktspēju, un 0,5, kas norāda uz nejaušu diskrimināciju.
Apgūstot Royston un Altman novērtēšanas metodes, vislabāk piemēroto modeļu indeksi tika iedalīti četrās grupās 16., 50. un 84. simtgadēs, lai izstrādātu četras prognostiskas grupas: Labs, Diezgan labs, Diezgan slikts un Slikts. Nevienlīdzīga lieluma grupu izmantošana uzlaboja pacientu diskrimināciju starp četrām grupām un grupēja pacientus ar līdzīgu risku[28]. Šo četru grupu izdzīvošana tika salīdzināta, izmantojot Kaplana–Meiera sižetus, kuriem ideālā gadījumā vajadzētu parādīt lielu izdzīvošanas atšķirību starp četrām grupām.
Kalibrēšana tika vizuāli novērtēta, izmantojot vispiemērotāko Cox modeli. Bootstrap resamples tika izmantoti, lai novērtētu novirzi koriģēto prognozēto un novēroto vidējo dzīvildzi 3 un 5 gadus pēc transplantācijas[31]. Perfekta vienošanās starp prognozēto un novēroto vidējo izdzīvošanu norāda uz perfekti kalibrētu prognozēšanas modeli. Labākais prognozēšanas modelis tika salīdzināts ar KDRI prognozējošo spēju, kas ir pašreizējais modelis, ko izmanto daudzi klīnisko lēmumu pieņēmēji. Te KDRI ir 14 ar donoriem un transplantāciju saistīti mainīgie, un tas tika izstrādāts, izmantojot Koksa regresiju, lai prognozētu vispārēju transplantāta mazspēju. Mainīgie tika atlasīti, pakāpeniski svītrojot nebūtiskus mainīgos[3], un šai modeļa atlases metodei ir daudz ierobežojumu, kas dokumentēti literatūrā, tostarp kolinearitāte, p-vērtības, kas ir pārāk mazas, un ticamības intervāli, kas ir pārāk šauri[32]. Te R programmēšanas valoda (versija 3.6.0) ar bibliotēkām "survivalism", "ranger", survival" un "LTRCtrees" tika izmantota, lai izstrādātu prognozējošos modeļus[33].
ĒtikaANZDATA reģistra aktivitātēm Karaliskās Adelaides slimnīcas Cilvēku pētījumu ētikas komiteja ir piešķīrusi pilnīgu ētikas apstiprinājumu. Kvīnslendas Tehnoloģiju universitāte šim pētījumam piešķīra ētikas apstiprinājumu.
Rezultātus
Sākotnējie raksturlielumiSaņēmēju un donoru raksturojums ir norādīts 1. tabulā. Kopējā pētījuma paraugā bija 7 365 miruši donorinieru transplantācijasuzstājās no 2007. gada 1. janvāra līdz 2017. gada 31. decembrim. Donoru vecuma mediāna bija 52 gadi (starpkvartiļu diapazons no 41 līdz 60 gadiem) un saņēmēju vidējais vecums bija 47 gadi (starpkvartiļu diapazons no 32 līdz 58 gadiem). Lielākā daļa bija vīrieši (63%). Aptuveni 87% transplantātu bija primāri potzari.
Mainīgā atlase Tere bija 98 potenciāli neatkarīgi mainīgie. 2. tabulā ir apkopots trīs pieeju rezultāts, lai izvēlētos neatkarīgu mainīgo apakškopu, kas nav pārslogota, kā rezultātā rodas septiņas neatkarīgu mainīgo lielumu kopas. Ekspertu atzinums samazināja neatkarīgos mainīgos lielumus līdz 40 mainīgajiem lielumiem, savukārt elastīgais tīkls to samazināja līdz 46 mainīgajiem. Visu trīs mainīgo atlases metožu piemērošana samazināja 98 potenciālos mainīgos lielumus līdz 23 galvenajām sastāvdaļām. Katrs no šiem septiņiem neatkarīgo mainīgo lielumu komplektiem tika izmantots, lai apmācītu un pārbaudītu modeļus. Modeļa veidošanas laikā cox un RSF tika vēl vairāk samazināti neatkarīgi mainīgie, iekļaujot tikai tos, kas bija statistiski nozīmīgi (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="">
Vislabāk pieguļošais Cox modelisTā kā donora vecums bija spēcīgs transplantāta izdzīvošanas prognozētājs, modelim tika pievienota nelineāra vecuma transformācija (log bāze 2). Tas palielināja C-indeksu tikai par 0,003. Mēs mērogojām indeksu līdz vidējam donoram (45 gadi) un saņēmēju vecumam (50 gadi). Koksa modeļa indekss tiek aprēķināts, kā parādīts 2. attēlā. Kā alternatīva tika uzstādīts arī Weibull modelis, kas pieņem, ka apdraudējums ir atkarīgs no laika[34]. Tomēr C-indekss tika samazināts par 0,0014, nepalielinot diskrimināciju, un tāpēc mēs saglabājām Koksa modeli. Donora hipertensija (HR 1,43; 95% TI 1,16 līdz 1,76) palielināja bīstamību policistiskas vielas lietošanas laikānieru slimībajo primārā nieru slimība samazināja neveiksmju risku (RA 0,66; 95% TI 0,48 līdz 0,91) (5. tabula).
Indeksa sadalījums pacientu kopskaitā liecina, ka riska grupu rādītāji, "Labi" (< 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. tabula). Kaplana–Meiera izdzīvošanas līknes, kurās redzamas cenzētas nāves līknesnieretransplantāta atteice četrām riska grupām ir 3. attēlā. Tā kā riska grupas pāriet no "Labs" uz "Slikts", izdzīvošanas līknes liecina par izteiktu paaugstinātu transplantāta neveiksmes risku. Turklāt, salīdzinot ar grupu "Labi", grupām pārejot no "Diezgan labi" uz "Vāji", riska attiecība palielinās gan apmācības, gan validācijas datu kopās (7. tabula). Šie rezultāti parāda, ka indeksam ir laba diskriminējoša vara[28].
Vidējā paredzamā dzīvildze, salīdzinot ar vidējo faktisko dzīvildzi pēc 3 gadiem un 5 gadiem, ir attēlota 4. attēlā. Perfekti kalibrētā modelī datu punkti atrastos gar pārtraukto līniju (perfekta prognozēšanas līnija), kas norāda uz perfektu prognozēšanas precizitāti. Vidējā faktiskā dzīvildze pastāvīgi ir zemāka par prognozēto dzīvildzi gan 3, gan 5 gadu laikā. Tomēr starpība starp perfekto pirmsdiecēšanas līniju un prognozes līniju abos laika periodos samazinās, palielinoties prognozētajai izdzīvošanai. Kopumā Koksa modelis parāda mērenu prognožu precizitātes līmeni.
Diskusija
Mūsu pētījumā tika izstrādāts riska prognozēšanas modelis, lai a priori prognozētu transplantāta mazspēju, izmantojot lielu pacientu izlasi. Mēs analizējām četrus iespējamos prognozēšanas modeļus, izmantojot statistikas un mašīnmācīšanās metodes. Labākais modelis bija Koksa regresijas riska prognozēšanas modelis, kas varēja paredzēt nāves cenzētu transplantāta nesekmību ar mērenu diskriminācijas līmeni un prognozēšanas precizitāti, izmantojot tikai septiņus neatkarīgus mainīgos. Pašreizējā indeksa diskriminējošais spēks pārspēj lielāko daļu pašlaik pieejamo transplantāta atteices riska prognozēšanas modeļu.
Riska prognozēšanas modelis tika izstrādāts, lai to izmantotu lēmumu pieņemšanā pirms transplantācijas (piem.nierepiešķiršana), līdz ar to tikai tie mainīgie lielumi, kas bija pieejami pirms transplantācijas, tika uzskatīti par neatkarīgiem mainīgajiem lielumiem. Mēs izmantojām iekšējo validāciju, lai izveidotu parsimonisku modeli, jo, izmantojot lielu skaitu neatkarīgu mainīgo, var viegli izveidot slikti funkcionējošus modeļus, kas nav vispārināmi pārmērības dēļ [35]. Pakāpeniska mainīgo atlase, bieži izmantota mainīgo atlases metode, kas tika izmantota, lai izstrādātu KDRI, ir nestabila metode, kas var radīt modeļus, kuriem ārējā validācijā ir slikti rezultāti [28]. Septiņu dažādu mainīgo atlases kombināciju izmantošana pašreizējā pētījumā, ko identificēja, apvienojot ekspertu viedokli un statistiku, palīdzēja identificēt
vissvarīgākie mainīgie lielumi, kas izskaidroja lielāko daļu datu dispersijas. Parsimonisks modelis rada indeksu, kuru ir vieglāk izmantot klīniskā vidē. Galīgajam labākajam Koksa modelim ir septiņi mainīgie lielumi, kas ir mazāki par mainīgo lielumu skaitu, ko izmanto visbiežāk izmantotajos transplantāta neveiksmes riska prognozēšanas modeļos [3, 36].
Koksa modelis pārspēja trīs pētījumā izmantotās mašīnmācīšanās metodes. Literatūras apskats liecina, ka prognožu precizitāte sniedza neviennozīmīgus rezultātus, salīdzinot mašīnmācīšanos un tradicionālās prognozējošās metodes [8]. Pašreizējā pētījumā tika izmantotas divas uz kokiem balstītas mašīnmācīšanās metodes, un šo metožu sliktāka veiktspēja mūsu datos var liecināt par to, ka datiem nav pamatā esošas koka struktūras, kur rezultātus nosaka binārie sadalījumi. Drīzāk transplantāta izdzīvošanas risks var būt vairāk atkarīgs no nepārtrauktiem prognozētājiem, piemēram, vecuma.
Mūsu modelis tika izstrādāts, lai prognozētu nāves cenzētu transplantāta mazspēju, savukārt vispārējā transplantāta mazspēja ietver transplantāta neveiksmes, kā arī nāves kombināciju ar funkcionējošu transplantātu. Zināšanas par konkrētā donora izdzīvošanuniereir svarīgāka par vispārējo transplantāta nespēju lēmumu pieņemšanā pirms transplantācijas [2]. Mūsu pētījumā nāves cenzētās transplantāta neveiksmes C-indekss bija 0,67. Kleitons u.c. apstiprināja ASV KDRI, izmantojot Austrālijas datus [2], un C-indeksu, lai diskriminētu nāves cenzūru
transplantāta neveiksme bija 0,63, kas ir zemāka diskriminācija nekā šeit iegūtie rezultāti. Tomēr gan transplantācijas, gan recipienta īpašību (kopējie neatkarīgie mainīgie 24) iekļaušana KDRI palielināja nāves cenzētas transplantāta mazspējas C-indeksu līdz 0,70 Clayton et al. pētījumā. Šie autori nenovērtēja kalibrēšanu (prognozes precizitāti), kas kavē visaptverošu salīdzinājumu ar mūsu pētījuma rezultātiem. Mūsu labākajam modelim ir C-indekss 0,67 tikai septiņiem mainīgajiem, salīdzinot ar C-indeksu 0,70 24 mainīgajiem lielumiem pēdējā, un klīnicisti var uzskatīt, ka šis nelielais precizitātes pieaugums nav vērts palielināt sarežģītību. Prognozēšanas modeļi ar daudziem mainīgajiem ir arī loģistikas sarežģītāki, jo tie prasa savākt vairāk datu, un tikai viens trūkstošais mainīgais nozīmē, ka prognozi nevar novērtēt.
Turklāt pašreizējā indeksa diskriminējošā vara pārspēja pāris citus pašlaik pieejamos indeksus, tostarp KDRI, kā aprakstīts iepriekš. (2010), izstrādāja indeksu ar 11 donoru un recipientu mainīgajiem, kas bija pieejami pirms transplantācijas, un tā C indekss bija 0,649 [37]. Nesenākajam Molnar et al. indeksam 2018. gadā bija C-indekss 0,63, diskriminējot augsta riska pacientus ar transplantāta mazspēju. Šajā indeksā tika izmantotas 10 donora un saņēmēja īpašības [38]. Tāpēc šajā rakstā aprakstītais indekss spēja sasniegt pārāku diskriminējošu spēku ar mazāk mainīgajiem. Tomēr mums ir jāapsver, vai prognoze, izmantojot indeksu ar mērenu diskriminējošu spēju (C-indekss 0,67), ir pieņemama, lai piešķirtuNieres, jo modelis ir tālu no perfektā C-indeksa 1, kas nozīmē, ka mēs
nevar būt pārliecināts, ka prognozētie piešķīrumi dos vislabākos rezultātus. Kļūdaini augsts indeksa rādījums prognozes modelī transplantācijas laikā var atturēt klīnicistu, kā arī pacientu no donora uzņemšanasniere. Tis stigmatizējošs efekts, kļūdaini marķējot donorunierejo "margināls/nekvalitatīvs jau ir dokumentēts [39].
Transplantāta mazspējas prognozēšana ir sarežģīta parādība, kas ietver donora īpašības, pazīmes, kas saistītas ar donora orgānu izguvi, recipienta īpašības, ar transplantāciju saistītās pazīmes un pēctransplantācijas faktorus, piemēram, imūnsupresijas zāļu lietošanu. Lēmumi, kas saistīti arnierepiešķiršana, protams, ir jāveic pirms pārstādīšanas; tādēļ transplantācijas procedūras un pēctransplantācijas faktori šī sākotnējā lēmuma pieņemšanas brīdī nav pieejami. Tāpēc mainīguma avots, kas netiek ņemts vērā lielākajā daļā pašlaik pieejamo prognožu modeļu (kā to pierāda to vienīgais mērenais diskriminējošo spēju līmenis), var būt transplantēti procesuāli vai ar pēctransplantāciju saistīti faktori. Tie var būt arī donora vai saņēmēja faktori, kas netiek regulāri fiksēti datu bāzēs, kā arī neparedzēti stohastiski notikumi, kas noved pie nepilnīgām prognozēm. Tas nozīmē, ka ideāls C-indekss 1, iespējams, nav iespējams modelim, kurā izmanto pirmstransplantācijas faktorus. Ir grūti zināt, kas ir augstākais sasniedzamais C-indekss, un tam būtu nepieciešams atsevišķs modelēšanas uzdevums, kas ietvertu nepārbaudāmus pieņēmumus par 1) stohastisku notikumu nozīmi un 2) neizmērītiem pareģotājiem.
CISTANCHE UZLABOS NIERU/NIERU INFEKCIJU
Te Cox modelis spēja diskrēt ekstremālās transplantāta atteices riska kategorijas (Labs pret sliktu) ar labu diskriminējošu spēku (C-index=0,73), tādējādi instrumenta lietderība starp ekstremālām transplantāta atteices riska kategorijām ir pārāka nekā citām riska kategorijām. Tāpēc, ierobežojot instrumenta izmantošanu tikai starp šīm riska kategorijām, var panākt labākus rezultātus attiecībā uz:nieru transplantācijaLēmumu pieņemšanas. Mēs esam izmantojuši stabilu iekšējo validāciju, bet ārējā validācija ir svarīgs solis ceļā uz riska indeksa pieņemšanu klīnisko lēmumu pieņemšanā, jo modeļa veiktspējas novērtēšana, pamatojoties tikai uz iekšējo validāciju, var novest pie pārāk optimistiska veiktspējas novērtējuma [28]. Turklāt lielākā daļa klīnicistu, iespējams, nevēlas izmantot rīku, kas nav pārbaudīts uz dažādiemnierePopulācijas. Tāpēc mēs ierosinām, ka šis indekss ir ārēji jāapstiprina, lai novērtētu vispārināmību pirms lietošanas klīniskajā praksē. Ja indekss uzrāda labu ārējo derīgumu, indeksam ir potenciāls labāk nodot donoru saņēmējiem, uzlabojot pašreizējoniereSadalījuma. Tā kā šim indeksam ir gan donora, gan recipienta funkcijas, tas var paredzēt, kurai donora un saņēmēja atbilstībai ir visaugstākā pēc transplantācijas, starp pieejamajām izvēlēm.
Šim pētījumam ir vairāki ierobežojumi. Prognozējošajā modelī tika izmantoti tikai ANZDATA apkopotie mainīgie lielumi, tāpēc mēs, iespējams, neesam iekļāvuši pilnu pacientu riska profilu. Mēs izmantojām tikai četras metodes un citas mašīnmācīšanās metodes, kas varētu modelēt informāciju par laiku līdz notikumam, iespējams, ir devušas labākus rezultātus. Tomēr izdzīvošanas datu mašīnmācīšanās modeļi nav labi izstrādāti, ierobežojot mūsu labāko pielietojumu modeļu veidu izvēli [35].
SecinājumsKopumā jaunais indekss mēreni labi diskriminē pacientus ar lielāku transplantāta mazspējas risku un ar mērenu precizitātes līmeni izsaka transplantāta neveiksmes prognozes. Šis daudzsološais jaunais indekss ir nākamā ārējās validācijas soļa vērts, lai pierādītu tā izmantošanu klīniskajos apstākļos.
CISTANCHE UZLABOS NIERU/NIERU DARBĪBU