Utvikling og validering av en risikoindeks for å forutsi overlevelse av nyretransplantater: risikoindeksen for nyretransplantasjoner
Mar 04, 2022
Introduksjon
Nyretransplantasjongir bedre livskvalitet og overlegen overlevelse sammenlignet med andrenyreerstatningsterapimodaliteter [1]. Imidlertid sliter helsesystemer rundt om i verden med å bygge bro over det økende gapet mellom den høye etterspørselen etternyretransplantasjonerog det begrensede tilbudet. En strategi er reginyregrafts til mottakere med størst levetid, og reduserer dermed både antall graftsvikt og antall pasienter som dør med et fungerende graft [2]. Risikoprediksjonsmodeller, som forutsier graftsvikt før transplantasjon, er klinisk støtte i den komplekse beslutningsprosessen for å matche mottakere med størst levetid og allografter med lav risiko for svikt. Det er flerenyregraft risikoprediksjonsmodeller i litteraturen som har hjulpet evidensbasert medisinsk beslutningstaking i klinisk praksis [3, 4]. DeNyreDonor Risk Index (KDRI) utviklet av Rao et al. i 2009 har utbredt opptak i klinisk beslutningstaking [3], og brukes i USANyreTildelingssystem [5]. Te C-indeksen, som indikerer en prediksjonsmodells evne til å skille lengre overlevende grafts fra kortere overlevende grafts, er imidlertid 0.62, en verdi som kun angir rimelig diskriminering. Nye tilnærminger basert på statistikk eller maskinlæringsmetoder har potensial til å gi mer nøyaktige spådommer [6].
Maskinlæring har utviklet seg raskt i løpet av de siste tiårene og brukes allerede på noen områder innen medisinsk diagnostikk [7]. En nylig systematisk gjennomgang av gruppen vår fremhevet rollen til maskinlæringsbaserte risikoprediksjonsmodeller i medisinsk beslutningstaking, noe som fører til mer nøyaktigenyretransplantasjonutfallsspådommer [8]. Gjennomgangen vår fant imidlertid at modeller, andre enn de som er utviklet i USA, vanligvis ble avledet fra utvalgsstørrelser på færre enn 1,000 pasienter. Videre modellerte ingen av maskinlæringsmodellene utviklet så langt tiden-til-hendelse (overlevelse) [8]. I stedet brukte de fleste det binære utfallet av feil eller ikke. Imidlertid behandler en binær tilnærming et transplantat som overlever ett år, likt et transplantat som mislykkes etter to år, vidt forskjellige utfall for pasienten og helsesystemet. Disse modellene tar ikke hensyn til tapet for oppfølging. Derfor, inkorporering av dynamikken i tid til hendelsen i prediksjonsmodellen produserer klinisk og økonomisk viktig tilleggsinformasjon [9]. Målet vårt var å utvikle og validere statistiske og maskinlæringsprediktive modeller for å forutsi graftsvikt etter avdød donornyretransplantasjon,ved å bruke tid-til-hendelse-data i et stort nasjonalt datasett fra Australia.
Nøkkelord:Risikoprediksjon, maskinlæring, graftsvikt, nyretransplantasjon, nyre
MetoderProtokollen for denne studien har blitt fagfellevurdert og publisert [10]. Kort fortalt ble tre maskinlæringsmodeller (Survival Tree[11], Random survival forest[12] og Survival Support Vector Machine[13]) og en tradisjonell regresjonsmodell (Cox-regresjon[14]) av tid-til-hendelse (overlevelsestid) generert. Denne studien er rapportert ved hjelp av metodikken Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD)[15]. Studiekohorten Datakilden var Australia og New Zealand Dialyse and Transplant Registry (ANZDATA)[16]. Den samler inn og rapporterer prevalens, forekomst og utfall av dialyse ognyretransplantasjonpasienter over hele Australia. Datasettet inneholdt donor- og mottakerkarakteristikker på 7.365nyrebare avdøde donortransplantasjoner fra 1. januar 2007 til 31. desember 2017 utført i Australia.

CISTANCHE VIL FORBEDRE NYRE/NYRESYKDOM
UtfallDet primære resultatet var tid til transplantasjonssvikt fra og med transplantasjonsdatoen. Pasienter som døde med et fungerende transplantat ble inkludert og ble rett sensurert på dødsdatoen. Pasienter med en fungerende graft ved slutten av studieperioden ble høyresensurert 31. desember 2017. Sekstifem pasienter (0,9 prosent) gikk tapt for oppfølging og ble rett sensurert på sin siste kjente oppfølgingsdato. Uavhengige variabler Vårt mål var å utvikle en risikoindeks for bruk i beslutningstaking før transplantasjon, og derfor brukte vi kun variablene som var tilgjengelige før transplantasjonen og variabler rapportert i ANZDATA på tvers av alle pasientgrupper. Totalt ble 67 mulige uavhengige variabler, både mottaker- og donoregenskaper, identifisert[17].
Modellutviklingvar en sekvensiell prosess med følgende fem trinn: dataforberedelse, oppdeling av datasettet i trenings- og valideringsdatasett, variabelvalg, modelltrening og modellevaluering (fig. 1).
Trinn 1: Dataforberedelse Før modellutvikling ble data behandlet ved å: behandle manglende verdier, dummy-kode kategoriske variabler og skalere de kontinuerlige variablene. Datasettet hadde nesten 500,000 datapunkter (7365 pasienter×67 uavhengige variabler) og 2,5 prosent av datapunktene manglet. De fleste variablene (64 prosent ) manglet mindre enn 1 prosent. For variabler med manglende verdier, ble multiple imputasjoner brukt for 14 kategoriske variabler og 17 kontinuerlige variabler med tilfeldige hot deck og klassifikasjons- og regresjonstrær (CART) ved bruk av R-pakken 'simputering'[18] med hele datasettet på 7 365 pasienter. Basert på ekspertuttalelse ble manglende verdier av 13 kategoriske variabler tildelt en egen kategori "mangler" for å unngå at dataene går tapt. Numerisk uavhengige variabler ble normalisert ved å bruke min-maks-skalering, og konverterte dem til en lignende skala for å forenkle sammenligningene mellom variabler[19]. Kategoriske variabler ble dummykodet i nominelle kategorier. Etter dummy-koding var det totale antallet uavhengige variabler 98.
Trinn 2: Opplærings- og valideringsdataDatasettet ble tilfeldig delt inn i to deler: et opplæringsdatasett og et valideringsdatasett. Treningssettet, som ble brukt til å trene de fire prediktive modellene, inneholdt 70 prosent av dataene (n=5,156). Valideringssettet (n=2,209) ble brukt til å teste prediksjonskraften til hver modell robust. Å ha et separat valideringssett ga mer realistiske estimater av modellenes prediksjonsnøyaktighet og bidro til å unngå overtilpasning.

Trinn 3: Variabelt utvalgEt viktig trinn i modellbyggingsprosessen er valget av et sparsomt sett med prediktorvariabler fra det store settet med tilgjengelige uavhengige variabler (n=98). For mange uavhengige variabler i modellen risikerer overtilpasning, i sin tur, redusere prediksjonskraften[20]. Tremetoder ble brukt for å velge de uavhengige variablene: 1. Ekspertuttalelse: Treerfarne nefrologer gjennomgikk det potensielle settet med uavhengige variabler og indikerte om variabelen hadde klinisk betydning. En avtale med minst to eksperter ble ansett som tilstrekkelig for å inkludere en variabel i modellen. 2. Hovedkomponentanalyse [21] reduserer dimensjonaliteten til et datasett ved å transformere det til et mindre antall hovedkomponenter basert på korrelasjonene mellom variabler. Dette settet med komponenter beholder ideelt sett mesteparten av variansen og mister derfor ikke informasjon, men gjør det ved å bruke færre variabler. Vi brukte antallet hovedkomponenter som beholdt 90 prosent av den opprinnelige variansen. 3. Elastisk netto bytte av modellfot og kompleksitet for å finne en sparsommelig modell. Den undersøker en rekke modeller som bruker straffer for å unngå overtilpasning som spenner fra ingen straff (Ridge-regresjon – L2) til en ekstrem straff (Lasso-regresjon – L1) for å finne det ideelle avveiningspunktet for straff ved bruk av kryssvalidering[22] . L1- og L2-verdiene som ga den laveste gjennomsnittlige kvadratfeilen under kryssvalidering ble brukt for å tilpasse den elastiske nettomodellen. Disse individuelle variabelseleksjonsmetoder ble brukt alene og også i alle mulige kombinasjoner, f.eks. ekspertuttalelser etterfulgt av et elastisk nett. Derfor ble totalt syv variabelseleksjonsmetoder brukt for å generere syv forskjellige sett med uavhengige variabler.
Trinn 4: ModelltreningVi brukte fire tilnærminger for å modellere tid-til-den primære hendelsen, dvs. overlevelsesresultat. Cox proporsjonal regresjon[14]. Denne semi-parametriske modellen er mye brukt for å utforske forholdet mellom utfall som overlevelsesdata og uavhengige variabler. Etter modellering av de utvalgte uavhengige variablene ble antallet variabler ytterligere redusert ved å inkludere bare de som var statistisk signifikante (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).>
Survival support vektor maskin[13]. Dette bruker hyperplaner for å lage klasser av uavhengige variabler enten med lineær (f.eks. lineær kjernefunksjon) eller ikke-lineært separerbar data (f.eks. polynomisk kjerne)[26, 27]. Basert på modellens ytelse, ble alle støttevektormaskinmodeller utstyrt med en lineær kjernefunksjon med en "regresjons"-type overlevelsesstøttevektormaskinmodell. De syv settene med uavhengige variabler ble brukt til å trene og validere de fire prediktive modellene som ga 28 resultater: syv variabelseleksjonsmetoder × fire prediktive modeller. Det forutsagte resultatet for hver av de fire modellene var en indeks på en intervallskala, som vi betegner somNyretransplantasjonRisikoindeks.

CISTANCHE VIL FORBEDRE NYRE-/NYREFEILT
Trinn 5: Evaluering av modelleneVi evaluerte modellene ved å bruke metoder foreslått av Royston og Altman[28]. Modellytelsen ble evaluert ved å bruke to beregninger: diskriminering og kalibrering. En indeks med god diskriminering bør ha høyere risikoskår for pasienter med høyere risiko og omvendt. Kalibrering måler prediksjonsnøyaktigheten ettersom den sammenligner nøyaktigheten til den predikerte overlevelsen fra indeksen med overlevelsen i de observerte dataene[29]. For vår studie er objektiv diskriminering viktigere enn kalibrering, siden vårt mål er å gi en veiledning til beslutningstaking som identifiserer pasienter med relativt høy og lav risiko[28]. Derfor ble den beste modellen valgt ved å bruke konkordansindeksen (C-indeks)[30], en indeks som evaluerer den diskriminerende evnen til en modell. Te C-indeks er definert som brøkdelen av pasientpar hvor pasienten som har lengre overlevelsestid også har en lavere risiko predikert skåre. Konkordansområdet er mellom null og én, med en høyere verdi som indikerer bedre ytelse og 0,5 indikerer tilfeldig diskriminering.
Ved å bruke Royston og Altmans evalueringsmetoder ble indeksene for de best passende modellene kategorisert i fire grupper på 16., 50. og 84. århundre for å utvikle fire prognostiske grupper: God, Ganske god, Ganske dårlig og Dårlig. Bruk av ulik størrelsesgrupper forbedret diskrimineringen av pasienter mellom de fire gruppene og grupperte pasienter med lignende risiko[28]. Overlevelsen til disse fire gruppene ble sammenlignet med Kaplan-Meier-plott, som ideelt sett burde vise en stor forskjell i overlevelse mellom de fire gruppene.
Kalibrering ble visuelt vurdert ved å bruke den best passende Cox-modellen. Bootstrap-gjenprøver ble brukt for å estimere den skjevhetskorrigerte predikerte og observerte gjennomsnittlige overlevelsen ved 3 og 5 år etter transplantasjon [31]. Perfekt samsvar mellom forutsagt og observert gjennomsnittlig overlevelse indikerer en perfekt kalibrert prediksjonsmodell. Den beste prediksjonsmodellen ble sammenlignet med prediksjonsevnen til KDRI, som er den nåværende modellen som brukes av mange kliniske beslutningstakere. Te KDRI har 14 donor- og transplantasjonsrelaterte variabler og ble utviklet ved bruk av Cox-regresjon for å forutsi total graftsvikt. Variablene ble valgt ved hjelp av trinnvis sletting av ikke-signifikante variabler[3] og denne modellseleksjonsmetoden har mange begrensninger dokumentert i litteraturen, inkludert kollinearitet, p-verdier som er for små og konfidensintervaller som er for smale[32]. Programmeringsspråket Te R (versjon 3.6.0), med bibliotekene 'survivalism', 'ranger', survival' og 'LTRCtrees', ble brukt til å utvikle de prediktive modellene[33].
EtikkAktiviteter i ANZDATA-registeret har fått full etikkgodkjenning av Royal Adelaide Hospital Human Research Ethics Committee. Denne studien ble gitt etikkgodkjenning av Queensland University of Technology.
Resultater
Baseline egenskaperKarakteristikkene til mottakerne og giverne er i tabell 1. Det totale studieutvalget hadde 7 365 avdøde giverenyretransplantasjonerutført fra 1. januar 2007 til 31. desember 2017. Medianalderen for donorer var 52 år (interkvartilområde 41 til 60) og av mottakerne var 47 år (interkvartilområde 32 til 58). Flertallet var menn (63 prosent). Omtrent 87 prosent av transplantatene var primære transplantater.

Variabelseleksjon Det var 98 potensielle uavhengige variabler. Tabell 2 oppsummerer resultatet av de tre tilnærmingene for å velge et undersett av uavhengige variabler som ikke passet over, noe som resulterer i syv sett med uavhengige variabler. Ekspertuttalelser reduserte de uavhengige variablene til 40 variabler, mens elastisk netto reduserte den til 46 variabler. Anvendelse av alle tre metodene for valg av variabel reduserte de 98 potensielle variablene til 23 hovedkomponenter. Hvert av disse syv settene med uavhengige variabler ble brukt til å trene og teste modellene. Under modellbygging ble uavhengige variabler ytterligere redusert i cox og RSF ved å inkludere bare de som var statistisk signifikante (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)>


Best passende Cox-modellSiden donoralderen var en sterk prediktor for graftoverlevelse, ble en ikke-lineær transformasjon av alder (log base 2) lagt til modellen. Dette økte C-indeksen med bare 0.003. Vi skalert indeksen til median donor (45 år) og mottakeralder (50 år). Indeksen til Cox-modellen er beregnet som vist i fig. 2. En Weibull-modell, som antar at faren er tidsavhengig[34], ble også montert som et alternativ. Imidlertid ble C-indeksen redusert med 0,0014, og økte ikke diskriminering, og derfor beholdt vi Cox-modellen. Donorhypertensjon (HR 1,43; 95 prosent CI 1,16 til 1,76) økte faren mens han hadde polycystisknyresykdomettersom den primære nyresykdommen reduserte faren (HR {{0}}.66; 95 prosent KI 0.48 til 0.91) (tabell 5) for svikt.
Fordelingen av indeksen overordnede pasienter viser at skårer av risikogrupper, "bra" (< 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) (Tabell 6). Kaplan – Meier overlevelseskurver som viser død sensurertnyregraftsvikt for de fire risikogruppene er i fig. 3. Ettersom risikogruppene går fra "God" til "Dårlig", viser overlevelseskurvene en markant økt risiko for graftsvikt. I tillegg, sammenlignet med gruppen "God", ettersom gruppene går fra "Ganske bra" til "Dårlig", øker fareforholdene både i opplærings- og valideringsdatasett (tabell 7). Disse resultatene viser at indeksen har god diskriminerende kraft[28].
Den gjennomsnittlige estimerte overlevelsen sammenlignet med gjennomsnittlig faktisk overlevelse ved 3-år og 5-år er plottet i fig. 4. I en perfekt kalibrert modell vil datapunkter ligge langs den stiplede linjen (perfekt prediksjonslinje). , som indikerer perfekt prediksjonsnøyaktighet. Gjennomsnittlig faktisk overlevelse er konsekvent lavere enn forventet overlevelse ved både 3 og 5 år. Imidlertid reduseres gapet mellom den perfekte prediksjonslinjen og prediksjonslinjen i begge tidsperioder etter hvert som den forutsagte overlevelsen øker. Totalt sett viser Cox-modellen et moderat nivå av prediksjonsnøyaktighet.
Diskusjon
Vår studie utviklet en risikoprediksjonsmodell for å forutsi graftsvikt a priori, ved å bruke et stort utvalg pasienter. Vi analyserte fire mulige prediksjonsmodeller ved å bruke statistiske og maskinlæringsmetoder. Den beste modellen var en Cox-regresjonsrisikoprediksjonsmodell, som kunne forutsi dødsensurert graftsvikt med et moderat nivå av diskriminering og prediksjonsnøyaktighet ved bruk av kun syv uavhengige variabler. Den diskriminerende kraften til den nåværende indeksen overgår de fleste av de for øyeblikket tilgjengelige risikoprediksjonsmodellene for graft-feil.


Risikoprediksjonsmodellen ble utviklet for bruk i beslutninger før transplantasjon (f.nyreallokering), og derfor ble bare de tilgjengelige variablene før transplantasjonen betraktet som uavhengige variabler. Vi brukte intern validering for å lage en sparsom modell fordi bruk av et stort antall uavhengige variabler lett kan skape dårlige resultater som ikke er generaliserbare på grunn av overtilpasning [35]. Trinnvis variabel seleksjon, en ofte brukt variabel seleksjonsmetode som ble brukt til å utvikle KDRI, er en ustabil metode som kan lage modeller som yter dårlig i ekstern validering [28]. Bruken av syv forskjellige variable utvalgskombinasjoner i den nåværende studien, identifisert ved en kombinasjon av ekspertuttalelser og statistikk, bidro til å identifisere

de viktigste variablene som forklarte mesteparten av variansen i dataene. En sparsommelig modell resulterer i en indeks som er lettere å bruke i en klinisk setting. Den endelige beste Cox-modellen har syv variabler, færre enn antallet variabler som brukes i de mest brukte risikoprediksjonsmodellene for graftsvikt [3, 36].
Cox-modellen overgikk de tre maskinlæringsmetodene som ble brukt i studien. En gjennomgang av litteraturen indikerer at prediksjonsnøyaktigheten ga blandede resultater når maskinlæring og tradisjonelle prediktive metoder sammenlignes [8]. Den nåværende studien brukte to trebaserte maskinlæringsmetoder, og den dårligere ytelsen til disse metodene i våre data kan være en indikasjon på at dataene ikke har en underliggende trestruktur, hvor utfall bestemmes av binære splittelser. Snarere kan risikoen for transplantatoverlevelse være mer avhengig av kontinuerlige prediktorer, som alder.
Vår modell ble utviklet for å forutsi dødsensurert graftsvikt, mens total graftsvikt inkluderer en kombinasjon av graftsvikt samt død med et fungerende graft. Kunnskap om overlevelsen til en gitt givernyreer viktigere enn den generelle graftsvikten i beslutningsprosessen før transplantasjon [2]. I vår studie var C-indeksen for dødsensurert graftsvikt 0.67. Clayton et al. validerte US KDRI, ved å bruke australske data [2], og C-indeksen for å diskriminere dødsensurert

graftsvikt var {{0}}.63 som er lavere diskriminering enn resultatene oppnådd her. Inkluderingen av både transplantasjons- og mottakerkarakteristikker (totalt uavhengige variabler 24) i KDRI økte C-indeksen for dødsensurert transplantasjonssvikt til 0.70 i Clayton et al. studere. Disse forfatterne vurderte ikke kalibreringen (prediksjonsnøyaktighet), noe som hindrer en omfattende sammenligning med resultatene av vår studie. Vår beste modell har en C-indeks på 0,67 for bare syv variabler sammenlignet med en C-indeks på 0,70 for 24 variabler i sistnevnte, og klinikere kan se denne lille økningen i nøyaktighet som ikke verdt økningen i kompleksitet. Prediksjonsmodeller med mange variabler er også mer logistisk vanskelige ettersom de krever at mer data samles inn og bare én manglende variabel betyr at prediksjonen ikke kan estimeres.
Videre overgikk den diskriminerende kraften til den nåværende indeksen et par andre tilgjengelige indekser, inkludert KDRI som beskrevet tidligere. Kasiske et al. (2010), utviklet en indeks med 11 donor- og mottakervariabler, tilgjengelig før transplantasjonen, og den hadde en C-indeks på 0.649 [37]. En nyere indeks av Molnar et al., i 2018, hadde en C-indeks på 0,63 i diskriminerende høyrisikopasienter for graftsvikt. Denne indeksen brukte 10 donor- og mottakerkarakteristikker [38]. Derfor var indeksen beskrevet i denne artikkelen i stand til å oppnå overlegen diskriminerende kraft med færre variabler. Vi må imidlertid vurdere om en prediksjon ved bruk av en indeks med moderat diskriminerende evne (C-indeks 0,67) er akseptabel med tanke på allokeringnyrer, da modellen er langt fra den perfekte C-indeksen på 1, noe som betyr at vi


kan ikke være sikker på at de forutsagte tildelingene vil gi de beste resultatene. En falsk høyindeksavlesning i prediksjonsmodellen på tidspunktet for transplantasjonen kan fraråde klinikeren så vel som pasienten å akseptere en donorsnyre. Dette er en stigmatiserende effekt av å feilaktig merke en donornyresom 'marginal/lav kvalitet allerede er dokumentert [39].
Forutsigelse av graftsvikt er et komplekst fenomen, som involverer donorkarakteristikker, funksjoner relatert til uthenting av donororganer, mottakerkarakteristikker, egenskaper relatert til transplantasjonen og post-transplantasjonsfaktorer som bruk av immunsuppresjonsmedisiner. Vedtak knyttet tilnyretildeling må selvfølgelig gjøres før transplantasjon; Derfor er transplantasjonsprosedyre- og posttransplantasjonsfaktorer ikke tilgjengelige på tidspunktet for den første beslutningen. Derfor kan kilden til variasjonen som ikke er redegjort for i de fleste av de tilgjengelige prediksjonsmodellene (som demonstrert av deres eneste moderate nivå av diskriminerende evne) være transplanterte prosedyremessige eller post-transplantasjonsrelaterte faktorer. De kan også være giver- eller mottakerfaktorer som ikke rutinemessig fanges opp i databaser, så vel som uforutsigbare stokastiske hendelser, som fører til ufullkomne spådommer. Dette betyr at en perfekt C-indeks på 1 sannsynligvis er umulig for en modell som bruker pre-transplantasjonsfaktorer. Det er vanskelig å vite hva den høyest oppnåelige C-indeksen er, og dette vil kreve en egen modelleringsøvelse som inkluderer ukontrollerbare antakelser om viktigheten av 1) stokastiske hendelser og 2) umålte prediktorer.

CISTANCHE VIL FORBEDRE NYRE-/NYREINFEKSJON
Te Cox-modellen var i stand til å diskriminere de ekstreme kategoriene for graftfeilrisiko (Good vs Poor) med god diskriminerende kraft (C-indeks=0.73), og dermed nytten av instrumentet blant ekstreme kategorier av graftsviktrisiko er overlegen sammenlignet med andre risikokategorier. Derfor kan det å begrense bruken av instrumentet kun blant disse risikokategoriene gi overlegne resultaternyretransplantasjonbeslutningstaking. Vi har brukt robust intern validering, men ekstern validering er et viktig skritt mot aksept av en risikoindeks i klinisk beslutningstaking, da vurdering av ytelsen til en modell basert på kun intern validering kan føre til en altfor optimistisk vurdering av ytelse [28]. Videre kan de fleste klinikere være uvillige til å bruke et verktøy som ikke er testet på forskjelligenyrepopulasjoner. Derfor foreslår vi at denne indeksen bør valideres eksternt for å vurdere generaliserbarhet før bruk i klinisk praksis. Hvis indeksen viser god ekstern validitet, har indeksen potensial til å bedre gi donor til mottakere, og forbedre gjeldendenyretildeling. Siden denne indeksen har både donor- og mottakerfunksjoner, kan den forutsi hvilken donor-mottaker-match som har høyest overlevelse etter transplantasjon, blant tilgjengelige valg.
Denne studien har flere begrensninger. Den prediktive modellen brukte bare variablene samlet inn av ANZDATA, og derfor har vi kanskje ikke inkludert den fullstendige risikoprofilen til pasienter. Vi brukte bare fire metoder og andre maskinlæringsmetoder som kunne modellere informasjon om tid til hendelse kan ha gitt bedre resultater. Maskinlæringsmodeller for overlevelsesdata er imidlertid ikke godt utviklet, noe som begrenser vårt utvalg av modelltyper for beste applikasjon [35].
KonklusjonOppsummert diskriminerer den nye indeksen pasienter med høyere risiko for transplantatsvikt moderat godt og gir spådommer om transplantatsvikt med et moderat nivå av nøyaktighet. Denne lovende nye indeksen er verdt neste trinn i ekstern validering for å bevise bruken i kliniske omgivelser.

CISTANCHE VIL FORBEDRE NYRE-/NYREFUNKSJONEN






