Razvoj i validacija indeksa rizika za predviđanje preživljenja bubrežnog presatka: Indeks rizika presađivanja bubrega

edmund.chen@wecistanche.com

Uvod

Transplantacija bubreganudi bolju kvalitetu života i superiorno preživljavanje u odnosu na drugebubregmodaliteti nadomjesne terapije [1]. Međutim, zdravstveni sustavi diljem svijeta bore se da premoste sve veći jaz između velike potražnje zatransplantacije bubregai ograničena ponuda. Jedna strategija je režijabubregtransplantira primateljima s najdugovječnijim životnim vijekom, čime se smanjuje i broj neuspjeha transplantata i broj pacijenata koji umiru s funkcionalnim transplantatom [2]. Modeli predviđanja rizika, koji predviđaju neuspjeh presatka prije transplantacije, klinička su potpora u složenom odlučivanju o podudarnosti primatelja s najvećom dugovječnošću i alografta s niskim rizikom od neuspjeha. Ima ih nekolikobubregmodeli predviđanja rizika presađivanja u literaturi koji su pomogli u donošenju medicinskih odluka utemeljenih na dokazima u kliničkoj praksi [3, 4]. TheBubregIndeks rizika donora (KDRI) koji su razvili Rao et al. 2009. godine široko je prihvaćen u kliničkom odlučivanju [3] i koristi se u SAD-uBubregSustav dodjele [5]. C-indeks, koji pokazuje sposobnost modela predviđanja da razlikuje duže preživjele presatke od kraćih preživjelih presataka, je međutim 0.62, vrijednost koja označava samo razumnu diskriminaciju. Novi pristupi temeljeni na statistici ili metodama strojnog učenja imaju potencijal dati točnija predviđanja [6].

Strojno učenje brzo se razvilo tijekom posljednjih desetljeća i već se primjenjuje u nekim područjima medicinske dijagnostike [7]. Nedavni sustavni pregled naše skupine istaknuo je ulogu modela predviđanja rizika temeljenih na strojnom učenju u medicinskom odlučivanju, što dovodi do točnijihtransplantacija bubregapredviđanja ishoda [8]. Međutim, naš je pregled utvrdio da su modeli, osim onih razvijenih u Sjedinjenim Državama, obično izvedeni iz veličine uzorka od manje od 1 000 pacijenata. Nadalje, niti jedan od do sada razvijenih modela strojnog učenja nije modelirao vrijeme do događaja (preživljavanje) [8]. Umjesto toga, većina je koristila binarni ishod neuspjeha ili ne. Međutim, binarni pristup tretira transplantat koji preživi jednu godinu jednako kao i transplantat koji ne uspije nakon dvije godine, što ima znatno različite ishode za pacijenta i zdravstveni sustav. Ovi modeli ne uzimaju u obzir gubitak za praćenje. Stoga uključivanje dinamike vremena do događaja u model predviđanja proizvodi klinički i ekonomski važne dodatne informacije [9]. Naš je cilj bio razviti i potvrditi prediktivne modele statistike i strojnog učenja za predviđanje neuspjeha presatka nakon preminulog darivateljatransplantacija bubrega,koristeći podatke od vremena do događaja u velikom nacionalnom skupu podataka iz Australije.

Ključne riječi:Predviđanje rizika, strojno učenje, otkazivanje presatka, transplantacija bubrega, bubreg 

metodeProtokol ove studije je recenziran i objavljen [10]. Ukratko, tri modela strojnog učenja (Survival Tree[11], Random survival forest[12] i Survival support vector machine[13]) i jedan tradicionalni regresijski (Coxova regresija[14]) modela vremena do događaja (vrijeme preživljavanja) generiran. Ova studija je objavljena korištenjem metodologije Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD)[15]. Kohorta studije Izvor podataka bio je Registar dijalize i transplantacije Australije i Novog Zelanda (ANZDATA)[16]. Prikuplja i izvješćuje o prevalenciji, incidenciji i ishodima dijalize itransplantacija bubregapacijenata diljem Australije. Skup podataka sadržavao je karakteristike davatelja i primatelja od 7365bubregsamo transplantacije umrlih donora od 1. siječnja 2007. do 31. prosinca 2017. provedene u Australiji.

CISTANCHE ĆE POBOLJŠATI BUBREŽNE/BUBREŽNE BOLESTI

IshodPrimarni ishod bilo je vrijeme do otkazivanja presatka počevši od datuma transplantacije. Pacijenti koji su umrli s funkcionalnim presatkom bili su uključeni i bili su cenzurirani na datum smrti. Pacijenti s funkcionalnim transplantatom na kraju razdoblja ispitivanja desno su cenzurirani 31. prosinca, 2017. Šezdeset i pet pacijenata (0,9 posto) izgubljeno je za praćenje i bili su cenzurirani na posljednjem poznatom datumu praćenja. Neovisne varijable Naš je cilj bio razviti indeks rizika za korištenje u donošenju odluka prije transplantacije, stoga smo koristili samo varijable dostupne prije transplantacije i varijable navedene u ANZDATA-i za sve skupine pacijenata. Ukupno je identificirano 67 mogućih neovisnih varijabli, i primatelja i darivatelja [17].

Razvoj modelabio je sekvencijalni proces sa sljedećih pet koraka: priprema podataka, dijeljenje skupa podataka u skupove podataka za obuku i validaciju, odabir varijabli, obuka modela i evaluacija modela (slika 1).

Korak 1: Priprema podataka Prije razvoja modela, podaci su obrađeni: tretiranjem vrijednosti koje nedostaju, lažnim kodiranjem kategoričkih varijabli i skaliranjem kontinuiranih varijabli. Skup podataka sadržavao je gotovo 500 000 podatkovnih točaka (7365 pacijenata × 67 neovisnih varijabli), a nedostajalo je 2,5 posto podatkovnih točaka. Većini varijabli (64 posto) nedostaje manje od 1 posto. Za varijable s nedostajućim vrijednostima korištene su višestruke imputacije za 14 kategoričkih varijabli i 17 kontinuiranih varijabli s nasumičnim hot deckom i stablima klasifikacije i regresije (CART) korištenjem paketa R 'imputation'[18] s punim skupom podataka od 7365 pacijenata. Na temelju mišljenja stručnjaka nedostajućim vrijednostima 13 kategorijskih varijabli dodijeljena je posebna kategorija "nedostajućih" kako bi se izbjegao gubitak podataka. Numeričke neovisne varijable normalizirane su korištenjem min-max skaliranja, pretvarajući ih u sličnu ljestvicu kako bi se pojednostavile usporedbe između varijabli[19]. Kategorijalne varijable su lažno kodirane u nominalne kategorije. Nakon lažnog kodiranja, ukupan broj neovisnih varijabli bio je 98.

Korak 2: Podaci o obuci i validacijiSkup podataka je nasumično podijeljen u dva dijela: skup podataka za obuku i skup podataka za validaciju. Skup za obuku, korišten za obuku četiri prediktivna modela, sadržavao je 70 posto podataka (n=5,156). Skup za provjeru valjanosti (n=2,209) korišten je za robusno testiranje snage predviđanja svakog modela. Posjedovanje zasebnog skupa za provjeru valjanosti omogućilo je realističnije procjene točnosti predviđanja modela i pomoglo u izbjegavanju pretjeranog uklapanja.

Korak 3: Odabir varijableVažan korak u procesu izgradnje modela je odabir štedljivog skupa prediktorskih varijabli iz velikog skupa dostupnih nezavisnih varijabli (n=98). Previše neovisnih varijabli u modelu rizikuje prekomjerno prilagođavanje, zauzvrat, smanjujući prediktivnu snagu[20]. Metode stabla korištene su za odabir nezavisnih varijabli: 1. Mišljenje stručnjaka: Tri iskusni nefrolozi pregledali su potencijalni skup nezavisnih varijabli i naznačili ima li varijabla kliničku važnost. Dogovor najmanje dvaju stručnjaka smatrao se prikladnim za uključivanje varijable u model. 2. Analiza glavnih komponenti [21] smanjuje dimenzionalnost skupa podataka transformirajući ga u manji broj glavnih komponenti na temelju korelacija između varijabli. Ovaj skup komponenti idealno zadržava većinu varijance i stoga ne gubi informacije, ali to čini koristeći manje varijabli. Koristili smo broj glavnih komponenti koje su zadržale 90 posto izvorne varijance. 3. Elastične neto trgovine - model ft i složenost za pronalaženje štedljivog modela. Ispituje niz modela koristeći kazne kako bi se izbjeglo prekomjerno prilagođavanje u rasponu od bez kazne (Ridgeova regresija – L2) do ekstremne kazne (Lasso regresija – L1) kako bi se pronašla idealna točka kompromisa kazni koristeći unakrsnu provjeru [22] . Vrijednosti L1 i L2 koje su proizvele najmanju srednju kvadratnu pogrešku tijekom unakrsne validacije korištene su za izračunavanje modela elastične mreže. Ove metode odabira pojedinačnih varijabli primijenjene su same, ali iu svim mogućim kombinacijama, npr. stručno mišljenje praćeno elastičnom mrežom. Stoga je korišteno ukupno sedam metoda odabira varijabli za generiranje sedam različitih skupova nezavisnih varijabli.

Korak 4: Obuka modelaKoristili smo četiri pristupa za modeliranje vremena do primarnog događaja, tj. ishoda preživljavanja. Coxova proporcionalna regresija[14]. Ovaj se poluparametarski model široko koristi za istraživanje odnosa između ishoda kao što su podaci o preživljavanju i nezavisnih varijabli. Nakon modeliranja odabranih nezavisnih varijabli, broj varijabli je dodatno smanjen uključivanjem samo onih koje su bile statistički značajne (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="">

Vektorski stroj za podršku preživljavanju[13]. Ovo koristi hiperravnine za stvaranje klasa neovisnih varijabli s linearnim (npr. linearna kernel funkcija) ili nelinearno odvojivim podacima (npr. polinomijalna jezgra) [26, 27]. Na temelju performansi modela, svi modeli stroja vektora podrške opremljeni su pomoću linearne kernel funkcije s modelom stroja vektora potpore preživljavanja 'regresijskog' tipa. Sedam skupova neovisnih varijabli korišteno je za obuku i validaciju četiri prediktivna modela dajući 28 rezultata: sedam metoda odabira varijabli × četiri prediktivna modela. Predviđeni ishod za svaki od četiri modela bio je indeks na intervalnoj ljestvici, koji označavamoTransplantacija bubregaIndeks rizika.

CISTANCHE ĆE POBOLJŠATI ZATAJENJE BUBREGA/BUBREGA

Korak 5: Procjena modelaProcijenili smo modele koristeći metode koje su predložili Royston i Altman[28]. Učinkovitost modela procijenjena je pomoću dvije metrike: diskriminacije i kalibracije. Indeks s dobrom diskriminacijom trebao bi imati više ocjene rizika za pacijente s višim rizikom i obrnuto. Kalibracijom se mjeri točnost predviđanja jer se uspoređuje točnost predviđenog preživljavanja iz indeksa s preživljavanjem u promatranim podacima[29]. Za našu studiju objektivna diskriminacija je važnija od kalibracije, budući da je naš cilj pružiti vodič za donošenje odluka koji identificira pacijente s relativno visokim i niskim rizikom [28]. Stoga je najbolji model odabran korištenjem indeksa podudarnosti (C-index)[30], indeksa koji ocjenjuje diskriminirajuću sposobnost modela. C-indeks se definira kao udio parova pacijenata gdje pacijent koji ima dulje vrijeme preživljavanja također ima niži predviđeni rizik. Raspon podudarnosti je između nule i jedan, s višom vrijednošću koja ukazuje na bolju izvedbu, a 0,5 ukazuje na slučajnu diskriminaciju.

Primjenom Roystonovih i Altmanovih metoda evaluacije, indeksi modela koji najbolje odgovaraju kategorizirani su u četiri skupine na 16., 50. i 84. centilu kako bi se razvile četiri prognostičke skupine: Dobar, Prilično dobar, Prilično loš i Loš. Korištenje skupina nejednake veličine poboljšalo je razlikovanje pacijenata između četiri skupine i grupiranih pacijenata sa sličnim rizikom[28]. Preživljavanje ove četiri skupine uspoređeno je pomoću Kaplan-Meierovih dijagrama, koji bi, u idealnom slučaju, trebali pokazati veliku razliku u preživljavanju između četiri skupine.

Kalibracija je vizualno procijenjena pomoću Coxovog modela koji najbolje odgovara. Bootstrap ponovni uzorci korišteni su za procjenu predviđenog i promatranog srednjeg preživljenja s korekcijom pristranosti 3 i 5 godina nakon transplantacije [31]. Savršeno slaganje između predviđenog i opaženog srednjeg preživljavanja ukazuje na savršeno kalibriran model predviđanja. Najbolji model predviđanja uspoređen je s prediktivnom sposobnošću KDRI-ja, koji je trenutni model koji koriste mnogi klinički donositelji odluka. Te KDRI ima 14 varijabli povezanih s donorima i transplantacijom i razvijen je pomoću Coxove regresije za predviđanje ukupnog neuspjeha presatka. Varijable su odabrane korištenjem postupnog brisanja neznačajnih varijabli[3] i ova metoda odabira modela ima mnoga ograničenja dokumentirana u literaturi, uključujući kolinearnost, p-vrijednosti koje su premale i intervale pouzdanosti koji su preuski[32]. Programski jezik Te R (verzija 3.6.0), s bibliotekama 'survivalism', 'ranger', survival' i 'LTRCtrees', korišten je za razvoj prediktivnih modela[33].

EtikaAktivnosti registra ANZDATA dobile su potpuno etičko odobrenje od strane Etičkog odbora za ljudska istraživanja bolnice Royal Adelaide. Ovo je istraživanje dobilo etičko odobrenje Tehnološkog sveučilišta Queenslanda.

Rezultati

Osnovna obilježjaKarakteristike primatelja i davatelja prikazane su u tablici 1. Ukupan uzorak istraživanja imao je 7365 umrlih davateljatransplantacije bubregaobavljeno od 1. siječnja 2007. do 31. prosinca 2017. Medijan dobi darivatelja bio je 52 godine (interkvartilni raspon 41 do 60), a primatelja 47 godina (interkvartilni raspon 32 do 58). Većina su bili muškarci (63 posto). Oko 87 posto transplantata bili su primarni transplantati.

Odabir varijabli Bilo je 98 potencijalnih nezavisnih varijabli. Tablica 2 sažima rezultate triju pristupa za odabir podskupa neovisnih varijabli koje nisu pretjerano odgovarale, što je rezultiralo sa sedam skupova neovisnih varijabli. Stručno mišljenje svelo je nezavisne varijable na 40 varijabli, dok je elastična neto svela na 46 varijabli. Primjenom sve tri metode odabira varijabli 98 potencijalnih varijabli svedeno je na 23 glavne komponente. Svaki od ovih sedam skupova neovisnih varijabli korišten je za obuku i testiranje modela. Tijekom izgradnje modela, neovisne varijable dodatno su smanjene u cox i RSF uključivanjem samo onih koje su bile statistički značajne (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="">

Najbolji Cox modelBudući da je dob donora bila snažan prediktor preživljenja presatka, u model je dodana nelinearna transformacija dobi (logaritamska baza 2). Ovo je povećalo C-indeks samo za 0.003. Indeks smo skalirali na srednji davatelj (45 godina) i dob primatelja (50 godina). Indeks Coxovog modela izračunava se kao što je prikazano na slici 2. Weibullov model, koji pretpostavlja da je opasnost ovisna o vremenu[34], također je postavljen kao alternativa. Međutim, C-indeks je smanjen za 0,0014, ne povećavajući diskriminaciju, pa smo zadržali Coxov model. Hipertenzija davatelja (HR 1,43; 95 posto CI 1,16 do 1,76) povećala je rizik dok imate policističnibolest bubregajer je primarna bubrežna bolest smanjila rizik (HR {{0}}.66; 95 posto CI 0.48 na 0,91) (Tablica 5) od neuspjeha.

Distribucija indeksa ukupnih pacijenata pokazuje da rezultati rizičnih skupina, "Dobro" (< 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) (Tablica 6). Kaplan–Meierove krivulje preživljavanja pokazuju cenzuru smrtibubregneuspjeh presatka za četiri rizične skupine prikazan je na slici 3. Kako se rizične skupine pomiču od "dobre" do "loše", krivulje preživljavanja pokazuju izrazito povećani rizik od neuspjeha presatka. Nadalje, u usporedbi sa grupom "Dobro", kako se grupe pomiču s "Prilično dobro" na "Loše", omjeri rizika rastu iu skupovima podataka za obuku i validaciju (Tablica 7). Ovi rezultati pokazuju da indeks ima dobru diskriminatornu snagu[28].

Prosječno procijenjeno preživljavanje u usporedbi sa srednjim stvarnim preživljenjem na 3- godina i 5- godina prikazano je na slici 4. U savršeno kalibriranom modelu, podatkovne točke ležale bi duž isprekidane linije (savršena linija predviđanja) , što ukazuje na savršenu točnost predviđanja. Srednje stvarno preživljenje dosljedno je niže od predviđenog preživljenja i za 3 i za 5 godina. Međutim, jaz između savršene linije predviđanja i linije predviđanja u oba vremenska razdoblja smanjuje se kako se predviđeno preživljavanje povećava. Općenito, Coxov model pokazuje umjerenu razinu točnosti predviđanja.

Rasprava

Naša je studija razvila model predviđanja rizika za predviđanje neuspjeha presatka a priori, koristeći veliki uzorak pacijenata. Analizirali smo četiri moguća modela predviđanja korištenjem statističkih metoda i metoda strojnog učenja. Najbolji model bio je Coxov regresijski model predviđanja rizika, koji je mogao predvidjeti neuspjeh presatka cenzuriranog smrću s umjerenom razinom diskriminacije i točnosti predviđanja koristeći samo sedam neovisnih varijabli. Diskriminatorna moć trenutnog indeksa nadmašuje većinu trenutno dostupnih modela predviđanja rizika od zatajenja presatka.

Model predviđanja rizika razvijen je za korištenje u donošenju odluka prije transplantacije (npr.bubregraspodjela), stoga su samo varijable dostupne prije transplantacije smatrane nezavisnim varijablama. Koristili smo internu provjeru valjanosti za izradu štedljivog modela jer korištenje velikog broja neovisnih varijabli može lako stvoriti modele s lošom izvedbom koji se ne mogu generalizirati zbog pretjeranog prilagođavanja [35]. Postepeni odabir varijabli, često korištena metoda odabira varijabli koja je korištena za razvoj KDRI-ja, nestabilna je metoda koja može stvoriti modele koji imaju slabe rezultate u vanjskoj provjeri valjanosti [28]. Korištenje sedam različitih kombinacija odabira varijabli u trenutnoj studiji, identificiranih kombinacijom mišljenja stručnjaka i statistike, pomoglo je identificirati

najvažnije varijable koje su objasnile većinu varijance u podacima. Štedljiv model rezultira indeksom koji je lakši za korištenje u kliničkom okruženju. Konačni najbolji Coxov model ima sedam varijabli, manje od broja varijabli korištenih u najčešće korištenim modelima predviđanja rizika od zatajenja presatka [3, 36].

Coxov model nadmašio je tri metode strojnog učenja korištene u studiji. Pregled literature pokazuje da je točnost predviđanja dala mješovite rezultate kada se uspoređuju strojno učenje i tradicionalne metode predviđanja [8]. Trenutna studija koristila je dvije metode strojnog učenja temeljene na stablu, a lošija izvedba tih metoda u našim podacima može biti pokazatelj da podaci nemaju temeljnu strukturu stabla, gdje se ishodi određuju binarnim dijeljenjima. Umjesto toga, rizik preživljavanja presatka može biti više ovisan o stalnim prediktorima, kao što je dob.

Naš je model razvijen za predviđanje neuspjeha presatka cenzuriranog smrću, dok ukupni neuspjeh presatka uključuje kombinaciju otkazivanja presatka kao i smrti s funkcionalnim presadkom. Znanje o preživljavanju datog donorabubregje važniji od ukupnog neuspjeha presatka u donošenju odluka prije transplantacije [2]. U našoj studiji, C-indeks neuspjeha presatka cenzuriranog smrću bio je 0.67. Clayton i sur. potvrdio američki KDRI, koristeći australske podatke [2], i C-indeks u diskriminaciji cenzuriranih smrti

neuspjeh presatka bio je {{0}}.63 što je manja diskriminacija od ovdje dobivenih rezultata. Međutim, uključivanje karakteristika transplantata i primatelja (ukupno neovisnih varijabli 24) u KDRI povećalo je C-indeks neuspjeha presatka cenzuriranog smrću na 0.70 u Clayton et al. studija. Ovi autori nisu procijenili kalibraciju (točnost predviđanja), što otežava sveobuhvatnu usporedbu s rezultatima našeg istraživanja. Naš najbolji model ima C-indeks od 0,67 za samo sedam varijabli u usporedbi s C-indeksom od 0,70 za 24 varijable u potonjem, a kliničari bi ovo malo povećanje točnosti mogli smatrati nevrijednim povećanja složenosti. Modeli predviđanja s mnogo varijabli također su logistički teži jer zahtijevaju prikupljanje više podataka, a samo jedna varijabla koja nedostaje znači da se predviđanje ne može procijeniti.

Nadalje, diskriminirajuća moć trenutnog indeksa nadmašila je nekoliko drugih trenutno dostupnih indeksa, uključujući KDRI kako je ranije opisano. Kasiske i sur. (2010), razvio je indeks s 11 varijabli donora i primatelja, dostupnih prije transplantacije, a imao je C-indeks 0.649 [37]. Noviji indeks Molnara i suradnika iz 2018. imao je C-indeks od 0,63 u diskriminaciji pacijenata s visokim rizikom od zatajenja presatka. Ovaj indeks koristio je 10 karakteristika davatelja i primatelja [38]. Stoga je indeks opisan u ovom radu uspio postići superiornu diskriminatornu moć s manje varijabli. Međutim, moramo razmotriti je li predviđanje korištenjem indeksa s umjerenom diskriminirajućom sposobnošću (C-indeks 0,67) prihvatljivo u svrhu dodjelebubrega, budući da je model daleko od savršenog C-indeksa 1, što znači mi

ne može biti siguran da će predviđene raspodjele dati najbolje rezultate. Lažno visoko očitanje indeksa u modelu predviđanja u vrijeme transplantacije može obeshrabriti kliničara, kao i pacijenta, da prihvate donorskibubreg. To je stigmatizirajući učinak pogrešnog označavanja donorabubregjer je 'marginalna/niska kvaliteta već dokumentirana [39].

Predviđanje neuspjeha presatka složen je fenomen koji uključuje karakteristike davatelja, značajke povezane s preuzimanjem organa od davatelja, karakteristike primatelja, značajke povezane s transplantacijom i čimbenike nakon transplantacije kao što je uporaba lijekova za supresiju imunog sustava. Odluke vezane uzbubregdodjela se, naravno, mora izvršiti prije presađivanja; stoga faktori postupka transplantacije i čimbenici nakon transplantacije nisu dostupni u vrijeme donošenja te početne odluke. Stoga, izvor varijabilnosti koja nije uzeta u obzir u većini trenutno dostupnih modela predviđanja (kao što je prikazano njihovom jedinom umjerenom razinom diskriminatorne sposobnosti) mogu biti transplantirani proceduralni čimbenici ili čimbenici povezani nakon transplantacije. Oni također mogu biti faktori davatelja ili primatelja koji se rutinski ne bilježe u bazama podataka, kao i nepredvidivi stohastički događaji, što dovodi do nesavršenih predviđanja. To znači da je savršen C-indeks od 1 vjerojatno nemoguć za model koji koristi faktore prije transplantacije. Teško je znati koji je najviši C-indeks koji se može postići, a to bi zahtijevalo zasebno modeliranje koje uključuje neprovjerljive pretpostavke o važnosti 1) stohastičkih događaja i 2) nemjerenih prediktora.

CISTANCHE ĆE POBOLJŠATI BUBREŽNE/BUBREŽNE INFEKCIJE

Te Coxov model uspio je diskriminirati ekstremne kategorije rizika od neuspjeha presatka (Dobro naspram lošeg) s dobrom diskriminirajućom snagom (C-indeks=0.73), stoga je korisnost instrumenta među ekstremnim kategorijama rizika od neuspjeha presatka superiorniji u usporedbi s drugim kategorijama rizika. Stoga ograničavanje uporabe instrumenta samo među ovim kategorijama rizika može dati vrhunske rezultatetransplantacija bubregaodlučivanje. Koristili smo robusnu internu validaciju, ali vanjska validacija važan je korak prema prihvaćanju indeksa rizika u donošenju kliničkih odluka budući da procjena izvedbe modela koja se temelji samo na internoj validaciji može dovesti do preoptimistične procjene učinkovitosti [28]. Nadalje, većina kliničara možda neće htjeti koristiti alat koji nije testiran na različitimbubregpopulacije. Stoga predlažemo da se ovaj indeks treba eksterno validirati kako bi se procijenila mogućnost generalizacije prije upotrebe u kliničkoj praksi. Ako indeks pokaže dobru vanjsku valjanost, indeks ima potencijal da bolje prenese donatore primateljima, poboljšavajući trenutnububregdodjela. Budući da ovaj indeks ima karakteristike i davatelja i primatelja, može predvidjeti koja podudarnost davatelja i primatelja ima najveće preživljenje nakon transplantacije, među dostupnim izborima.

Ova studija ima nekoliko ograničenja. Prediktivni model koristio je samo varijable koje je prikupio ANZDATA, stoga možda nismo uključili potpuni profil rizika pacijenata. Koristili smo samo četiri metode, a druge metode strojnog učenja koje bi mogle modelirati informacije o vremenu do događaja možda su dale bolje rezultate. Međutim, modeli strojnog učenja za podatke o preživljavanju nisu dobro razvijeni, što ograničava naš odabir tipova modela za najbolju primjenu [35].

ZaključakUkratko, novi indeks umjereno dobro diskriminira pacijente s većim rizikom od zatajenja presatka i daje predviđanja zatajenja presatka s umjerenom razinom točnosti. Ovaj obećavajući novi indeks vrijedan je sljedećeg koraka vanjske validacije kako bi se dokazala njegova upotreba u kliničkim uvjetima.

CISTANCHE ĆE POBOLJŠATI FUNKCIJU BUBREGA/BUBREGA