Phát triển và xác thực chỉ số rủi ro để dự đoán khả năng sống sót của mảnh ghép thận: Chỉ số rủi ro ghép thận

edmund.chen@wecistanche.com

Giới thiệu

Cấy ghép thậnmang lại chất lượng cuộc sống tốt hơn và khả năng sống sót vượt trội so với cácquả thậnphương thức điều trị thay thế [1]. Tuy nhiên, các hệ thống y tế trên khắp thế giới đang đấu tranh để thu hẹp khoảng cách ngày càng tăng giữa nhu cầu cao vềcấy ghép thậnvà nguồn cung hạn chế. Một chiến lược là chỉ đạoquả thậnghép cho người nhận có tuổi thọ cao nhất, do đó làm giảm cả số ca ghép thất bại và số bệnh nhân tử vong với mảnh ghép còn hoạt động [2]. Các mô hình dự báo rủi ro, dự đoán sự thất bại của mảnh ghép trước khi cấy ghép, là những hỗ trợ lâm sàng trong việc đưa ra quyết định phức tạp về những người nhận phù hợp có tuổi thọ cao nhất và các mô ghép có nguy cơ thất bại thấp. Có một sốquả thậnCác mô hình dự báo rủi ro ghép trong tài liệu đã hỗ trợ việc ra quyết định y tế dựa trên bằng chứng trong thực hành lâm sàng [3, 4]. CácQuả thậnChỉ số rủi ro nhà tài trợ (KDRI) do Rao et al. trong năm 2009 đã được phổ biến rộng rãi trong việc ra quyết định lâm sàng [3], và được sử dụng ở Hoa KỳQuả thậnHệ thống phân bổ [5]. Tuy nhiên, chỉ số Te C, cho biết khả năng của mô hình dự đoán trong việc phân biệt các mảnh ghép sống sót lâu hơn với các mảnh ghép sống sót ngắn hơn, là 0. 62, một giá trị chỉ biểu thị sự phân biệt hợp lý. Các phương pháp tiếp cận tiểu thuyết dựa trên số liệu thống kê hoặc phương pháp học máy có tiềm năng mang lại những dự đoán chính xác hơn [6].

Học máy đã phát triển nhanh chóng trong những thập kỷ gần đây và đã được áp dụng cho một số lĩnh vực chẩn đoán y tế [7]. Một đánh giá có hệ thống gần đây của nhóm chúng tôi đã nhấn mạnh vai trò của các mô hình dự đoán rủi ro dựa trên công nghệ máy học trong việc ra quyết định y tế, dẫn đến chính xác hơncấy ghép thậndự đoán kết quả [8]. Tuy nhiên, đánh giá của chúng tôi cho thấy các mô hình, khác với các mô hình được phát triển ở Hoa Kỳ, thường được lấy từ các cỡ mẫu của ít hơn 1, 000 bệnh nhân. Hơn nữa, không có mô hình học máy nào được phát triển cho đến nay mô hình hóa thời gian đến sự kiện (tồn tại) [8]. Thay vào đó, hầu hết sử dụng kết quả nhị phân của sự thất bại hoặc không. Tuy nhiên, phương pháp nhị phân xử lý mảnh ghép tồn tại một năm bằng mảnh ghép không thành công sau hai năm, kết quả rất khác nhau đối với bệnh nhân và hệ thống y tế. Những mô hình này không dẫn đến mất mát để theo dõi. Do đó, việc kết hợp động lực của thời gian đến sự kiện vào mô hình dự đoán sẽ tạo ra thông tin bổ sung quan trọng về mặt kinh tế và lâm sàng [9]. Mục tiêu của chúng tôi là phát triển và xác thực các mô hình dự đoán thống kê và học máy để dự đoán sự thất bại của mảnh ghép sau khi người hiến tặng đã qua đờicấy ghép thận,sử dụng dữ liệu thời gian đến sự kiện trong tập dữ liệu quốc gia lớn từ Úc.

Từ khóa:Dự đoán rủi ro, Máy học, Suy ghép, Ghép thận, Thận 

Phương phápĐề cương của nghiên cứu này đã được xem xét và xuất bản [10]. Tóm lại, ba mô hình học máy (Cây sinh tồn [11], Rừng sinh tồn ngẫu nhiên [12] và Máy vectơ hỗ trợ sinh tồn [13]) và một mô hình hồi quy truyền thống (hồi quy Cox [14]) của thời gian đến sự kiện (thời gian sống sót) là được tạo ra. Nghiên cứu này được báo cáo bằng cách sử dụng phương pháp Báo cáo Minh bạch của Mô hình Dự báo Đa biến cho Tiên lượng hoặc Chẩn đoán Cá nhân (TRIPOD) [15]. Nguồn dữ liệu của đoàn hệ nghiên cứu Te là Cơ quan Đăng ký Lọc máu và Ghép tạng Úc và New Zealand (ANZDATA) [16]. Nó thu thập và báo cáo tỷ lệ phổ biến, tỷ lệ mắc và kết quả của lọc máu vàcấy ghép thậnbệnh nhân trên khắp nước Úc. Tập dữ liệu chứa các đặc điểm của người cho và người nhận là 7.365quả thậnchỉ những ca cấy ghép người hiến tặng đã qua đời từ ngày 1 tháng 1 năm 2007 đến ngày 31 tháng 12 năm 2017 được thực hiện tại Úc.

CISTANCHE SẼ CẢI THIỆN BỆNH KIDNEY / RENAL

Kết quảKết cục chính là thời gian ghép thất bại bắt đầu từ ngày ghép. Những bệnh nhân chết với một mảnh ghép đang hoạt động được đưa vào và được kiểm duyệt đúng vào ngày họ chết. Những bệnh nhân có mảnh ghép đang hoạt động vào cuối giai đoạn nghiên cứu được kiểm duyệt đúng vào ngày 31 tháng 12 năm 2 0 17. Sáu mươi lăm bệnh nhân (0,9 phần trăm) đã mất để theo dõi và đã được kiểm duyệt đúng vào ngày theo dõi cuối cùng được biết của họ. Các biến độc lập Mục đích của chúng tôi là phát triển một chỉ số rủi ro để sử dụng trong việc ra quyết định trước khi cấy ghép, do đó chúng tôi chỉ sử dụng các biến có sẵn trước khi cấy ghép và các biến được báo cáo trong ANZDATA trên tất cả các nhóm bệnh nhân. Tổng cộng, 67 biến độc lập có thể có, cả đặc điểm của người nhận và người cho, đã được xác định [17].

Phát triển mô hìnhlà một quá trình tuần tự với năm bước sau: chuẩn bị dữ liệu, tách tập dữ liệu thành tập dữ liệu huấn luyện và xác nhận, lựa chọn biến, huấn luyện mô hình và đánh giá mô hình (Hình 1).

Bước 1: Chuẩn bị dữ liệu Trước khi phát triển mô hình, dữ liệu được xử lý bằng cách: xử lý các giá trị bị thiếu, mã hóa giả các biến phân loại và chia tỷ lệ các biến liên tục. Tập dữ liệu có gần 500, 000 điểm dữ liệu (7.365 bệnh nhân × 67 biến độc lập) và 2,5 phần trăm điểm dữ liệu bị thiếu. Hầu hết các biến (64 phần trăm) bị thiếu ít hơn 1 phần trăm. Đối với các biến có giá trị bị thiếu, nhiều lần áp đặt được sử dụng cho 14 biến phân loại và 17 biến liên tục với tầng nóng ngẫu nhiên và Cây phân loại và hồi quy (CART) bằng cách sử dụng gói R 'simputation' [18] với tập dữ liệu đầy đủ của 7.365 bệnh nhân. Dựa trên ý kiến ​​của các chuyên gia, các giá trị bị thiếu của 13 biến phân loại được chỉ định một loại "thiếu" riêng biệt để tránh dữ liệu bị mất. Các biến số độc lập được chuẩn hóa bằng cách sử dụng tỷ lệ tối thiểu-max, chuyển đổi chúng sang một tỷ lệ tương tự để đơn giản hóa việc so sánh giữa các biến [19]. Các biến phân loại được mã hóa giả thành các danh mục danh nghĩa. Sau khi mã hóa giả, tổng số biến độc lập là 98.

Bước 2: Dữ liệu đào tạo và xác thựcTập dữ liệu Te được chia ngẫu nhiên thành hai phần: tập dữ liệu đào tạo và tập dữ liệu xác nhận. Tập huấn luyện, được sử dụng để huấn luyện bốn mô hình dự đoán, chứa 70 phần trăm dữ liệu (n =5, 156). Tập hợp xác thực (n =2, 209) được sử dụng để kiểm tra mạnh mẽ khả năng dự đoán của từng mô hình. Việc có một tập hợp xác thực riêng cung cấp các ước tính thực tế hơn về độ chính xác dự đoán của các mô hình và giúp tránh quá khớp.

Bước 3: Lựa chọn biếnMột bước quan trọng trong quá trình xây dựng mô hình là việc lựa chọn một tập hợp các biến dự báo tương tự từ một tập hợp lớn các biến độc lập có sẵn (n =98). Do đó, có quá nhiều biến độc lập trong mô hình có nguy cơ phù hợp quá mức, làm giảm khả năng dự đoán [20]. Phương pháp cây được sử dụng để chọn các biến độc lập: 1. Ý kiến ​​chuyên gia: Các nhà thận học có kinh nghiệm của Tree đã xem xét tập hợp tiềm năng của các biến độc lập và chỉ ra liệu biến đó có ý nghĩa lâm sàng hay không. Thỏa thuận của ít nhất hai chuyên gia được coi là đủ để đưa một biến vào mô hình. 2. Phân tích thành phần chính [21] làm giảm kích thước của tập dữ liệu bằng cách biến đổi nó thành một số lượng nhỏ hơn các thành phần chính dựa trên mối tương quan giữa các biến. Tập hợp các thành phần này lý tưởng giữ lại phần lớn phương sai và do đó không làm mất thông tin nhưng sử dụng ít biến hơn. Chúng tôi đã sử dụng số lượng các thành phần chính giữ lại 90% phương sai ban đầu. 3. Các giao dịch ròng đàn hồi-của mô hình ft và độ phức tạp để tìm một mô hình phân tích. Nó kiểm tra một loạt các mô hình sử dụng các hình phạt để tránh quá phù hợp, từ không phạt (hồi quy Ridge - L2) đến một hình phạt cực đoan (hồi quy Lasso - L1) để tìm ra điểm đánh đổi lý tưởng bằng cách sử dụng xác nhận chéo [22] . Giá trị L1 và L2 tạo ra sai số bình phương trung bình thấp nhất trong quá trình xác nhận chéo được sử dụng để tính mô hình lưới đàn hồi. Các phương pháp lựa chọn biến riêng lẻ được áp dụng một mình và cũng như trong tất cả các kết hợp có thể có, ví dụ, ý kiến ​​chuyên gia được theo sau bởi một mạng đàn hồi. Do đó, tổng cộng bảy phương pháp lựa chọn biến đã được sử dụng để tạo ra bảy bộ biến độc lập khác nhau.

Bước 4: Đào tạo người mẫuChúng tôi đã sử dụng bốn cách tiếp cận để mô hình hóa thời gian đến sự kiện chính, tức là kết quả sống sót. Hồi quy tỷ lệ cox [14]. Mô hình bán tham số này được sử dụng rộng rãi để khám phá mối quan hệ giữa các kết quả như dữ liệu sống sót và các biến độc lập. Sau khi mô hình hóa các biến độc lập đã chọn, số lượng biến được giảm bớt bằng cách chỉ bao gồm những biến có ý nghĩa thống kê (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="">

Máy vector hỗ trợ sinh tồn [13]. Điều này sử dụng siêu mặt phẳng để tạo các lớp của các biến độc lập hoặc với dữ liệu tuyến tính (ví dụ: hàm nhân tuyến tính) hoặc dữ liệu có thể phân tách không tuyến tính (ví dụ: nhân đa thức) [26, 27]. Dựa trên hiệu suất của mô hình, tất cả các mô hình máy vector hỗ trợ đã được trang bị bằng cách sử dụng hàm nhân tuyến tính với mô hình máy vector hỗ trợ tồn tại kiểu 'hồi quy'. Bảy bộ biến độc lập được sử dụng để huấn luyện và xác nhận bốn mô hình dự đoán cho 28 kết quả: bảy phương pháp lựa chọn biến × bốn mô hình dự đoán. Kết quả dự đoán cho mỗi mô hình trong số bốn mô hình là một chỉ số trên thang đo khoảng thời gian, mà chúng tôi gắn nhãnCấy ghép thậnChỉ số rủi ro.

CISTANCHE SẼ CẢI THIỆN KIDNEY / RENAL THẤT BẠI

Bước 5: Đánh giá mô hìnhChúng tôi đánh giá các mô hình bằng các phương pháp do Royston và Altman đề xuất [28]. Hiệu suất của mô hình được đánh giá bằng hai thước đo: phân biệt và hiệu chuẩn. Một chỉ số có khả năng phân biệt tốt sẽ có điểm số nguy cơ cao hơn đối với những bệnh nhân có nguy cơ cao hơn và ngược lại. Hiệu chuẩn đo lường độ chính xác của dự đoán vì nó so sánh độ chính xác của tỷ lệ sống được dự đoán từ chỉ số với tỷ lệ sống sót trong dữ liệu quan sát [29]. Đối với nghiên cứu của chúng tôi, phân biệt mục tiêu quan trọng hơn hiệu chuẩn, vì mục đích của chúng tôi là cung cấp hướng dẫn ra quyết định xác định bệnh nhân có nguy cơ tương đối cao và nguy cơ thấp [28]. Do đó, mô hình tốt nhất đã được chọn bằng cách sử dụng chỉ số phù hợp (C-index) [3 0], một chỉ số đánh giá khả năng phân biệt của một mô hình. Chỉ số Te C được định nghĩa là phần nhỏ của các cặp bệnh nhân trong đó bệnh nhân có thời gian sống sót lâu hơn cũng có điểm dự đoán nguy cơ thấp hơn. Phạm vi phù hợp nằm giữa 0 và 1, với giá trị cao hơn cho thấy hiệu suất tốt hơn và 0,5 cho thấy sự phân biệt ngẫu nhiên.

Áp dụng các phương pháp đánh giá của Royston và Altman, các chỉ số của các mô hình phù hợp nhất được phân loại thành bốn nhóm ở trung tâm thứ 16, 50 và 84 để phát triển bốn nhóm tiên lượng: Tốt, Khá tốt, Khá kém và Kém. Việc sử dụng các nhóm có kích thước không bằng nhau đã cải thiện sự phân biệt của bệnh nhân giữa bốn nhóm và nhóm bệnh nhân có nguy cơ tương tự [28]. Sự sống sót của bốn nhóm này được so sánh bằng cách sử dụng các âm mưu Kaplan – Meier, lý tưởng nhất là phải cho thấy sự khác biệt lớn về khả năng sống sót giữa bốn nhóm.

Hiệu chuẩn được đánh giá trực quan bằng cách sử dụng mô hình Cox phù hợp nhất. Các ví dụ về Bootstrap được sử dụng để ước tính tỷ lệ sống trung bình được dự đoán và quan sát được đã hiệu chỉnh sai lệch ở 3 và 5 năm sau khi cấy ghép [31]. Sự thống nhất hoàn hảo giữa tỷ lệ sống sót trung bình được dự đoán và quan sát được chỉ ra một mô hình dự đoán được hiệu chỉnh hoàn hảo. Mô hình dự đoán tốt nhất được so sánh với khả năng dự đoán của KDRI, đây là mô hình hiện tại được nhiều người ra quyết định lâm sàng sử dụng. Te KDRI có 14 biến số liên quan đến người hiến tặng và ghép tạng và được phát triển bằng cách sử dụng hồi quy Cox để dự đoán tổng thể thất bại ghép. Các biến được chọn bằng cách xóa từng bước các biến không có ý nghĩa [3] và phương pháp lựa chọn mô hình này có nhiều hạn chế được ghi nhận trong tài liệu, bao gồm tính cộng tuyến, giá trị p quá nhỏ và khoảng tin cậy quá hẹp [32]. Ngôn ngữ lập trình Te R (phiên bản 3.6. 0), với các thư viện 'Survivalism', 'ranger', Survival 'và' LTRCtrees ', được sử dụng để phát triển các mô hình dự đoán [33].

Đạo đứcCác hoạt động của cơ quan đăng ký ANZDATA đã được Ủy ban Đạo đức Nghiên cứu Con người của Bệnh viện Hoàng gia Adelaide phê duyệt đầy đủ về đạo đức. Nghiên cứu này đã được phê duyệt về đạo đức bởi Đại học Công nghệ Queensland.

Kết quả

Đặc điểm cơ bảnĐặc điểm của người nhận và người hiến tặng được nêu trong Bảng 1. Tổng số mẫu nghiên cứu có 7.365 người hiến tặng đã qua đờicấy ghép thậnthực hiện từ ngày 1 tháng 1 năm 2007 đến ngày 31 tháng 12 năm 2017. Độ tuổi trung bình của những người hiến tặng là 52 tuổi (khoảng từ 41 đến 60) và của những người nhận là 47 tuổi (khoảng từ 32 đến 58). Đa số là nam giới (63%). Khoảng 87 phần trăm các mảnh ghép là ghép chính.

Lựa chọn biến Tere là 98 biến độc lập tiềm năng. Bảng 2 tóm tắt kết quả của ba cách tiếp cận để chọn một tập hợp con các biến độc lập không được trang bị quá mức, dẫn đến bảy tập hợp các biến độc lập. Ý kiến ​​chuyên gia đã giảm các biến độc lập xuống còn 40 biến, trong khi mạng đàn hồi giảm xuống còn 46 biến. Việc áp dụng cả ba phương pháp lựa chọn biến đã giảm 98 biến tiềm năng xuống còn 23 thành phần chính. Mỗi bộ trong số bảy bộ biến độc lập này được sử dụng để huấn luyện và kiểm tra các mô hình. Trong quá trình xây dựng mô hình, các biến độc lập được giảm thêm về cox và RSF bằng cách chỉ bao gồm những biến có ý nghĩa thống kê (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="">

Mô hình Cox phù hợp nhấtVì tuổi của người hiến tặng là một yếu tố dự báo mạnh mẽ về khả năng sống sót của mảnh ghép, một sự biến đổi không tuyến tính của tuổi (log cơ số 2) đã được thêm vào mô hình. Điều này chỉ làm tăng chỉ số C lên 0. 0 03. Chúng tôi đã chia tỷ lệ chỉ số theo độ tuổi trung bình của người hiến tặng (45 tuổi) và người nhận (50 tuổi). Chỉ số của mô hình Cox được tính như trong Hình 2. Một mô hình Weibull, giả định rằng mối nguy hiểm phụ thuộc vào thời gian [34], cũng được trang bị như một phương án thay thế. Tuy nhiên, chỉ số C đã giảm 0,0014, không làm tăng sự phân biệt đối xử, và vì vậy chúng tôi giữ nguyên mô hình Cox. Tăng huyết áp của người hiến tặng (HR 1,43; KTC 95 phần trăm 1,16 đến 1,76) làm tăng nguy cơ khi mắc bệnh đa nangbệnh thậnvì bệnh thận nguyên phát làm giảm nguy cơ (HR {{0}}. 66; 95 phần trăm CI 0. 48 đến 0,91) (Bảng 5) do suy.

Sự phân bố của chỉ số tổng thể bệnh nhân cho thấy điểm số của các nhóm nguy cơ, "Tốt" (< 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) (Bảng 6). Đường cong sinh tồn Kaplan – Meier cho thấy cái chết đã được kiểm duyệtquả thậnSự thất bại trong ghép cho bốn nhóm nguy cơ được nêu trong Hình 3. Khi các nhóm rủi ro chuyển từ "Tốt" sang "Kém", các đường cong sống sót cho thấy nguy cơ thất bại ghép tăng lên rõ rệt. Hơn nữa, so với nhóm "Tốt", khi các nhóm chuyển từ "Khá" sang "Kém", tỷ lệ nguy cơ tăng trong cả tập dữ liệu đào tạo và xác nhận (Bảng 7). Những kết quả này chứng minh rằng chỉ số có khả năng phân biệt tốt [28].

Thời gian sống sót ước tính trung bình so với thời gian sống sót thực tế trung bình ở 3- năm và 5- năm được vẽ trong Hình 4. Trong một mô hình được hiệu chỉnh hoàn hảo, các điểm dữ liệu sẽ nằm dọc theo đường đứt nét (đường dự đoán hoàn hảo) , cho biết độ chính xác dự đoán hoàn hảo. Thời gian sống sót thực tế trung bình luôn thấp hơn thời gian sống sót được dự đoán ở cả 3 và 5 năm. Tuy nhiên, khoảng cách giữa đường dự đoán trước hoàn hảo và đường dự đoán ở cả hai khoảng thời gian đều giảm khi tỷ lệ sống sót được dự đoán tăng lên. Nhìn chung, mô hình Cox cho thấy mức độ chính xác của dự đoán vừa phải.

Thảo luận

Nghiên cứu của chúng tôi đã phát triển một mô hình dự đoán rủi ro để dự đoán trước thất bại ghép, sử dụng một lượng lớn bệnh nhân. Chúng tôi đã phân tích bốn mô hình dự đoán khả thi bằng cách sử dụng các phương pháp thống kê và máy học. Mô hình tốt nhất là mô hình dự báo rủi ro hồi quy Cox, mô hình này có thể dự đoán thất bại ghép do tử vong kiểm duyệt với mức độ phân biệt vừa phải và độ chính xác dự đoán chỉ sử dụng bảy biến độc lập. Sức mạnh phân biệt của chỉ số hiện tại tốt hơn hầu hết các mô hình dự báo rủi ro thất bại mô ghép hiện có.

Mô hình dự báo rủi ro được phát triển để sử dụng trong quá trình ra quyết định trước khi cấy ghép (ví dụ:quả thậnphân bổ), do đó chỉ các biến có sẵn trước khi ghép mới được coi là các biến độc lập. Chúng tôi đã sử dụng xác thực nội bộ để tạo mô hình phân tích cú pháp vì việc sử dụng một số lượng lớn các biến độc lập có thể dễ dàng tạo ra các mô hình hoạt động kém, không thể tổng quát hóa do trang bị quá nhiều [35]. Lựa chọn biến theo từng bước, một phương pháp lựa chọn biến được sử dụng phổ biến đã được sử dụng để phát triển KDRI, là một phương pháp không ổn định có thể tạo ra các mô hình hoạt động kém trong xác nhận bên ngoài [28]. Việc sử dụng bảy tổ hợp lựa chọn biến số khác nhau trong nghiên cứu hiện tại, được xác định bằng sự kết hợp giữa ý kiến ​​chuyên gia và thống kê, đã giúp xác định

các biến quan trọng nhất giải thích hầu hết các phương sai trong dữ liệu. Một mô hình phân tích dẫn đến một chỉ số dễ sử dụng hơn trong môi trường lâm sàng. Mô hình Cox tốt nhất cuối cùng có bảy biến, ít hơn số biến được sử dụng trong các mô hình dự báo rủi ro thất bại ghép được sử dụng phổ biến nhất [3, 36].

Mô hình Cox hoạt động tốt hơn ba phương pháp học máy được sử dụng trong nghiên cứu. Đánh giá tài liệu chỉ ra rằng độ chính xác của dự đoán cung cấp kết quả hỗn hợp khi máy học và các phương pháp dự đoán truyền thống được so sánh [8]. Nghiên cứu hiện tại đã sử dụng hai phương pháp học máy dựa trên cây và hiệu suất kém hơn của các phương pháp này trong dữ liệu của chúng tôi có thể là dấu hiệu cho thấy dữ liệu không có cấu trúc cây cơ bản, nơi kết quả được xác định bằng các phép tách nhị phân. Thay vào đó, nguy cơ sống sót của mảnh ghép có thể phụ thuộc nhiều hơn vào các yếu tố dự báo liên tục, chẳng hạn như tuổi tác.

Mô hình của chúng tôi được phát triển để dự đoán sự thất bại của mảnh ghép đã được kiểm duyệt tử vong, trong khi sự thất bại của mảnh ghép tổng thể bao gồm sự kết hợp của sự thất bại mảnh ghép cũng như tử vong với mảnh ghép đang hoạt động. Kiến thức về sự sống sót của một người hiến tặng nhất địnhquả thậnquan trọng hơn thất bại ghép chung trong quá trình ra quyết định trước khi ghép [2]. Trong nghiên cứu của chúng tôi, chỉ số C về thất bại ghép do tử vong kiểm duyệt là 0. 67. Clayton và cộng sự. đã xác thực KDRI của Hoa Kỳ, sử dụng dữ liệu của Úc [2], và chỉ số C trong phân biệt đối xử tử vong được kiểm duyệt

lỗi ghép là {{0}}. 63 là mức độ phân biệt thấp hơn so với kết quả nhận được ở đây. Tuy nhiên, việc bao gồm cả đặc điểm của người ghép và người nhận (tổng số các biến độc lập là 24) trong KDRI đã làm tăng chỉ số C của thất bại ghép do kiểm duyệt tử vong lên 0. 7 0 trong Clayton và cộng sự. nghiên cứu. Các tác giả này đã không đánh giá hiệu chuẩn (độ chính xác của dự đoán), điều này cản trở sự so sánh toàn diện với kết quả nghiên cứu của chúng tôi. Mô hình tốt nhất của chúng tôi có chỉ số C là 0,67 cho chỉ bảy biến so với chỉ số C là 0,70 cho 24 biến sau đó và các bác sĩ lâm sàng có thể xem sự gia tăng độ chính xác nhỏ này không đáng để tăng độ phức tạp. Các mô hình dự đoán có nhiều biến cũng khó hơn về mặt logistic vì chúng đòi hỏi nhiều dữ liệu hơn được thu thập và chỉ cần thiếu một biến có nghĩa là không thể ước lượng được dự đoán.

Hơn nữa, sức mạnh phân biệt của chỉ số hiện tại tốt hơn một vài chỉ số hiện có sẵn khác, bao gồm KDRI như đã mô tả trước đó. Kasiske và cộng sự. (2 0 1 0), đã phát triển một chỉ mục với 11 biến người cho và người nhận, có sẵn trước khi ghép và nó có chỉ số C là 0. 649 [37]. Một chỉ số gần đây hơn của Molnar và cộng sự, vào năm 2018, có chỉ số C là 0,63 trong việc phân biệt đối xử với những bệnh nhân có nguy cơ cao bị thất bại mảnh ghép. Chỉ số này sử dụng 10 đặc điểm của người cho và người nhận [38]. Do đó, chỉ số được mô tả trong bài báo này có thể đạt được sức mạnh phân biệt vượt trội với ít biến số hơn. Tuy nhiên, chúng ta phải xem xét liệu một dự đoán sử dụng chỉ số có khả năng phân biệt vừa phải (C-index 0,67) có được chấp nhận cho mục đích phân bổthận, vì mô hình khác xa chỉ số C hoàn hảo là 1, nghĩa là chúng ta

không thể chắc chắn rằng các phân bổ dự đoán sẽ cho kết quả tốt nhất. Việc đọc chỉ số cao sai trong mô hình dự đoán tại thời điểm cấy ghép có thể không khuyến khích bác sĩ lâm sàng cũng như bệnh nhân chấp nhận của nhà tài trợ.quả thận. Hiệu quả kỳ thị của việc ghi nhãn sai một nhà tài trợquả thậnnhư 'chất lượng biên / thấp đã được ghi nhận [39].

Dự đoán thất bại của mảnh ghép là một hiện tượng phức tạp, bao gồm các đặc điểm của người hiến tặng, các đặc điểm liên quan đến việc lấy lại cơ quan của người hiến, đặc điểm của người nhận, các đặc điểm liên quan đến việc cấy ghép và các yếu tố sau ghép như sử dụng thuốc ức chế miễn dịch. Các quyết định liên quan đếnquả thậnviệc phân bổ, tất nhiên, phải được thực hiện trước khi cấy ghép; do đó, các yếu tố thủ tục và sau cấy ghép không có sẵn tại thời điểm đưa ra quyết định ban đầu đó. Do đó, nguồn gốc của sự thay đổi không được tính đến trong hầu hết các mô hình dự đoán hiện có (được chứng minh bằng khả năng phân biệt ở mức độ trung bình duy nhất của chúng) có thể là các yếu tố liên quan đến thủ tục hoặc sau cấy ghép. Chúng cũng có thể là các yếu tố người cho hoặc người nhận không được thu thập thường xuyên trong cơ sở dữ liệu, cũng như các sự kiện ngẫu nhiên không thể đoán trước, dẫn đến các dự đoán không hoàn hảo. Điều này có nghĩa là không thể có chỉ số C hoàn hảo bằng 1 đối với một mô hình sử dụng các yếu tố trước khi cấy ghép. Thật khó để biết chỉ số C có thể đạt được cao nhất là bao nhiêu và điều này sẽ yêu cầu một bài tập lập mô hình riêng bao gồm các giả định không thể kiểm chứng được về tầm quan trọng của 1) các sự kiện ngẫu nhiên và 2) các yếu tố dự đoán không đo lường được.

CISTANCHE SẼ CẢI THIỆN NHIỄM SẮC KIDNEY / RENAL

Mô hình Te Cox có thể phân biệt các loại rủi ro thất bại mảnh ghép (Tốt so với Kém) với sức mạnh phân biệt tốt (chỉ số C =0. 73), do đó, tiện ích của công cụ giữa các loại nguy cơ hỏng mảnh ghép cực đoan vượt trội so với các loại rủi ro khác. Do đó, việc hạn chế sử dụng công cụ chỉ trong số các loại rủi ro này có thể tạo ra kết quả vượt trội trongcấy ghép thậnquyết định. Chúng tôi đã sử dụng xác nhận nội bộ mạnh mẽ, nhưng xác nhận bên ngoài là một bước quan trọng để chấp nhận chỉ số rủi ro vào quá trình ra quyết định lâm sàng vì việc đánh giá hiệu suất của một mô hình chỉ dựa trên xác nhận nội bộ có thể dẫn đến đánh giá quá lạc quan về hiệu suất [28]. Hơn nữa, hầu hết các bác sĩ lâm sàng có thể không muốn sử dụng một công cụ chưa được thử nghiệm trên cácquả thậnquần thể. Do đó, chúng tôi đề xuất rằng chỉ số này nên được xác nhận bên ngoài để đánh giá khả năng tổng quát hóa trước khi sử dụng trong thực hành lâm sàng. Nếu chỉ mục thể hiện giá trị bên ngoài tốt, thì chỉ số có tiềm năng mang lại hiệu quả tốt hơn cho nhà tài trợ đối với người nhận, cải thiện hiện tạiquả thậnsự phân bổ. Vì chỉ số này có cả tính năng của người cho và người nhận nên nó có thể dự đoán kết quả phù hợp người hiến và người nhận nào có tỷ lệ sống sót sau ghép cao nhất, trong số các lựa chọn có sẵn.

Kết quả nghiên cứu này có một số hạn chế. Mô hình dự đoán chỉ sử dụng các biến do ANZDATA thu thập, do đó, chúng tôi có thể không bao gồm hồ sơ nguy cơ đầy đủ của bệnh nhân. Chúng tôi chỉ sử dụng bốn phương pháp và các phương pháp học máy khác có thể mô hình hóa thông tin từ thời gian đến sự kiện có thể mang lại kết quả tốt hơn. Tuy nhiên, các mô hình học máy cho dữ liệu tồn tại chưa được phát triển tốt, hạn chế việc chúng tôi lựa chọn các loại mô hình ứng dụng tốt nhất [35].

Sự kết luậnTóm lại, chỉ số mới phân biệt bệnh nhân có nguy cơ cao bị thất bại mảnh ghép ở mức độ vừa phải và đưa ra các dự đoán thất bại mảnh ghép với mức độ chính xác vừa phải. Chỉ số mới đầy hứa hẹn này có giá trị là bước tiếp theo của xác nhận bên ngoài để chứng minh việc sử dụng nó trong các cơ sở y tế.

CISTANCHE SẼ CẢI THIỆN CHỨC NĂNG KIDNEY / RENAL