Pembangunan Dan Pengesahan Indeks Risiko Untuk Meramalkan Kemandirian Cangkok Buah Pinggang: Indeks Risiko Pemindahan Buah Pinggang
Mar 04, 2022
pengenalan
Pemindahan buah pinggangmenawarkan kualiti hidup yang lebih baik dan kelangsungan hidup yang unggul berbanding yang lainbuah pinggangmodaliti terapi gantian [1]. Walau bagaimanapun, sistem kesihatan di seluruh dunia berjuang untuk merapatkan jurang yang semakin meningkat antara permintaan yang tinggi untukpemindahan buah pinggangdan bekalan yang terhad. Satu strategi adalah mengarahbuah pinggangcantuman kepada penerima dengan jangka hayat yang paling besar, dengan itu mengurangkan kedua-dua bilangan kegagalan cantuman dan bilangan pesakit yang mati dengan cantuman yang berfungsi [2]. Model ramalan risiko, meramalkan kegagalan cantuman sebelum pemindahan, adalah sokongan klinikal dalam pembuatan keputusan yang kompleks bagi penerima yang sepadan dengan jangka hayat yang paling besar dan allograf dengan risiko kegagalan yang rendah. Terdapat beberapabuah pinggangmodel ramalan risiko rasuah dalam literatur yang telah membantu membuat keputusan perubatan berasaskan bukti dalam amalan klinikal [3, 4]. Thebuah pinggangIndeks Risiko Penderma (KDRI) yang dibangunkan oleh Rao et al. pada tahun 2009 mempunyai pengambilan yang meluas dalam membuat keputusan klinikal [3], dan digunakan di ASbuah pinggangSistem Peruntukan [5]. Indeks Te C, yang menunjukkan keupayaan model ramalan untuk mendiskriminasi cantuman yang masih hidup lebih lama daripada cantuman yang masih hidup lebih pendek, walau bagaimanapun adalah 0.62, nilai yang menunjukkan hanya diskriminasi yang munasabah. Pendekatan novel berdasarkan statistik atau kaedah pembelajaran mesin berpotensi untuk menghasilkan ramalan yang lebih tepat [6].
Pembelajaran mesin telah berkembang pesat sejak beberapa dekad kebelakangan ini dan telah digunakan untuk beberapa bidang diagnostik perubatan [7]. Kajian sistematik baru-baru ini oleh kumpulan kami menyerlahkan peranan model ramalan risiko berasaskan pembelajaran mesin dalam membuat keputusan perubatan, yang membawa kepada lebih tepatpemindahan buah pinggangramalan hasil [8]. Kajian kami bagaimanapun mendapati model, selain daripada yang dibangunkan di Amerika Syarikat, biasanya diperoleh daripada saiz sampel kurang daripada 1,000 pesakit. Tambahan pula, tiada satu pun model pembelajaran mesin yang dibangunkan setakat ini memodelkan masa-ke-peristiwa (survival) [8]. Sebaliknya, kebanyakan menggunakan hasil binari kegagalan atau tidak. Walau bagaimanapun, pendekatan binari merawat rasuah yang bertahan satu tahun bersamaan dengan rasuah yang gagal pada dua tahun, hasil yang jauh berbeza untuk pesakit dan sistem kesihatan. Model-model ini tidak mengambil kira kerugian untuk susulan. Oleh itu, menggabungkan dinamik masa kepada peristiwa ke dalam model ramalan menghasilkan maklumat tambahan yang penting secara klinikal dan ekonomi [9]. Objektif kami adalah untuk membangunkan dan mengesahkan model ramalan statistik dan pembelajaran mesin untuk meramalkan kegagalan rasuah berikutan penderma yang meninggal duniapemindahan buah pinggang,menggunakan data masa ke peristiwa dalam set data negara yang besar dari Australia.
Kata kunci:Ramalan risiko, Pembelajaran mesin, Kegagalan cantuman, Pemindahan buah pinggang, Buah pinggang
KaedahProtokol kajian ini telah dikaji semula dan diterbitkan [10]. Secara ringkasnya, tiga pembelajaran mesin (Survival Tree[11], Random survival forest[12] dan Survival support vector machine[13]) dan satu regresi tradisional (Cox regresi[14]) model masa-ke-peristiwa (masa hidup) telah dihasilkan. Kajian ini dilaporkan menggunakan metodologi Pelaporan Telus Model Ramalan Pelbagai Pembolehubah untuk Prognosis atau Diagnosis Individu (TRIPOD)[15]. Kohort kajian Sumber data Te ialah Australia dan New Zealand Dialisis dan Pendaftaran Pemindahan (ANZDATA)[16]. Ia mengumpul dan melaporkan kelaziman, kejadian dan hasil dialisis danpemindahan buah pinggangpesakit di seluruh Australia. Dataset mengandungi ciri penderma dan penerima sebanyak 7,365buah pingganghanya pemindahan penderma yang telah meninggal dunia dari 1 Januari 2007 hingga 31 Disember 2017 yang dijalankan di Australia.
CISTANCHE AKAN MEMPERBAIKI PENYAKIT BUAH PINGGANG/PINGGANG
HasilHasil utama adalah masa untuk kegagalan cantuman bermula dari tarikh pemindahan. Pesakit yang meninggal dunia dengan cantuman yang berfungsi telah dimasukkan dan ditapis dengan betul pada tarikh kematian mereka. Pesakit dengan cantuman yang berfungsi pada penghujung tempoh kajian telah ditapis kanan pada 31 Disember, 2017. Enam puluh lima pesakit (0.9 peratus) hilang untuk susulan dan ditapis tepat pada tarikh susulan terakhir mereka yang diketahui. Pembolehubah bebas Matlamat kami adalah untuk membangunkan indeks risiko untuk digunakan dalam membuat keputusan pra-pemindahan, oleh itu kami hanya menggunakan pembolehubah yang tersedia sebelum pemindahan dan pembolehubah yang dilaporkan dalam ANZDATA merentas semua kumpulan pesakit. Secara keseluruhan, 67 pembolehubah bebas yang mungkin, kedua-dua ciri penerima dan penderma, telah dikenal pasti[17].
Pembangunan Modeladalah proses berurutan dengan lima langkah berikut: penyediaan data, pembahagian set data kepada set data latihan dan pengesahan, pemilihan pembolehubah, latihan model dan penilaian model (Rajah 1).
Langkah 1: Penyediaan data Sebelum pembangunan model, data diproses dengan: merawat nilai yang hilang, pembolehubah kategori pengekodan dummy, dan menskala pembolehubah berterusan. Set data mempunyai hampir 500,000 titik data (7,365 pesakit×67 pembolehubah tidak bersandar) dan 2.5 peratus daripada titik data hilang. Kebanyakan pembolehubah (64 peratus ) mempunyai kurang daripada 1 peratus yang hilang. Untuk pembolehubah dengan nilai yang hilang, berbilang imputasi digunakan untuk 14 pembolehubah kategori dan 17 pembolehubah berterusan dengan dek panas rawak dan Klasifikasi dan Pokok Regresi (CART) menggunakan pakej R 'simputasi'[18] dengan set data penuh 7,365 pesakit. Berdasarkan pendapat pakar, nilai yang hilang bagi 13 pembolehubah kategori telah diberikan kategori "hilang" yang berasingan untuk mengelakkan data hilang. Pembolehubah bebas berangka telah dinormalisasi menggunakan penskalaan min-maks, menukarnya kepada skala yang sama untuk memudahkan perbandingan antara pembolehubah[19]. Pembolehubah kategori telah dikodkan tiruan ke dalam kategori nominal. Selepas pengekodan tiruan, jumlah pembolehubah tidak bersandar ialah 98.
Langkah 2: Data latihan dan pengesahanSet data dibahagikan secara rawak kepada dua bahagian: set data latihan dan set data pengesahan. Set latihan, yang digunakan untuk melatih empat model ramalan, mengandungi 70 peratus daripada data (n=5,156). Set pengesahan (n=2,209) telah digunakan untuk menguji kuasa ramalan setiap model dengan mantap. Mempunyai set pengesahan yang berasingan memberikan anggaran yang lebih realistik tentang ketepatan ramalan model dan membantu mengelakkan pemasangan yang berlebihan.
Langkah 3: Pemilihan pembolehubahLangkah penting dalam proses pembinaan model ialah pemilihan set pembolehubah peramal yang pelit daripada set besar pembolehubah bebas yang tersedia (n=98). Terlalu banyak pembolehubah tidak bersandar dalam model berisiko terlalu sesuai, seterusnya mengurangkan kuasa ramalan[20]. Kaedah pokok digunakan untuk memilih pembolehubah tidak bersandar: 1. Pendapat pakar: Pakar nefrologi yang berpengalaman pokok menyemak set potensi pembolehubah bebas dan menunjukkan sama ada pembolehubah itu mempunyai kepentingan klinikal. Persetujuan sekurang-kurangnya dua pakar dianggap memadai untuk memasukkan pembolehubah ke dalam model. 2. Analisis komponen utama [21] mengurangkan dimensi set data dengan mengubahnya kepada bilangan komponen utama yang lebih kecil berdasarkan korelasi antara pembolehubah. Set komponen ini secara idealnya mengekalkan majoriti varians dan oleh itu tidak kehilangan maklumat tetapi melakukannya dengan menggunakan pembolehubah yang lebih sedikit. Kami menggunakan bilangan komponen utama yang mengekalkan 90 peratus daripada varians asal. 3. Perdagangan bersih anjal-model kaki dan kerumitan untuk mencari model yang parsimoni. Ia meneliti pelbagai model menggunakan penalti untuk mengelak pemasangan berlebihan yang berjulat daripada tiada penalti (regresi Ridge – L2) kepada penalti melampau (regresi Lasso – L1) untuk mencari titik tukar penalti yang ideal menggunakan pengesahan silang[22] . Nilai L1 dan L2 yang menghasilkan ralat kuasa dua min terendah semasa pengesahan silang telah digunakan untuk mengaitkan model bersih anjal. Kaedah pemilihan pembolehubah individu ini digunakan secara bersendirian dan juga dalam semua kombinasi yang mungkin, cth, pendapat pakar diikuti dengan jaring anjal. Oleh itu, sebanyak tujuh kaedah pemilihan pembolehubah telah digunakan untuk menghasilkan tujuh set pembolehubah bebas yang berbeza.
Langkah 4: Latihan modelKami menggunakan empat pendekatan untuk memodelkan masa kepada peristiwa utama iaitu hasil kelangsungan hidup. Regresi berkadar Cox[14]. Model separuh parametrik ini digunakan secara meluas untuk meneroka hubungan antara hasil seperti data kemandirian dan pembolehubah tidak bersandar. Selepas memodelkan pembolehubah bebas yang dipilih, bilangan pembolehubah dikurangkan lagi dengan memasukkan hanya pembolehubah yang signifikan secara statistik (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="">
Mesin vektor sokongan kemandirian[13]. Ini menggunakan hyperplanes untuk mencipta kelas pembolehubah tidak bersandar sama ada dengan linear (cth fungsi isirong linear) atau data boleh dipisahkan secara tidak linear (cth kernel polinomial)[26, 27]. Berdasarkan prestasi model, semua model mesin vektor sokongan telah dipasang menggunakan fungsi kernel linear dengan model mesin vektor sokongan kelangsungan hidup jenis 'regresi'. Tujuh set pembolehubah tidak bersandar digunakan untuk melatih dan mengesahkan empat model ramalan memberikan 28 keputusan: tujuh kaedah pemilihan pembolehubah×empat model ramalan. Hasil yang diramalkan untuk setiap empat model ialah indeks pada skala selang, yang kami labelkanPemindahan Buah PinggangIndeks Risiko.
CISTANCHE AKAN MEMPERBAIKI KEGAGALAN BUAH PINGGANG/BUAH PINGGANG
Langkah 5: Menilai modelKami menilai model menggunakan kaedah yang dicadangkan oleh Royston dan Altman [28]. Prestasi model dinilai menggunakan dua metrik: diskriminasi dan penentukuran. Indeks dengan diskriminasi yang baik harus mempunyai skor risiko yang lebih tinggi untuk pesakit berisiko tinggi dan sebaliknya. Penentukuran mengukur ketepatan ramalan kerana ia membandingkan ketepatan kemandirian yang diramalkan daripada indeks dengan kemandirian dalam data yang diperhatikan[29]. Untuk kajian objektif diskriminasi kami adalah lebih penting daripada penentukuran, kerana matlamat kami adalah untuk menyediakan panduan untuk membuat keputusan yang mengenal pasti pesakit yang agak tinggi dan berisiko rendah [28]. Oleh itu model terbaik dipilih menggunakan indeks konkordans (indeks C)[30], indeks yang menilai keupayaan diskriminasi model. Te C-index ditakrifkan sebagai pecahan pasangan pesakit di mana pesakit yang mempunyai masa hidup yang lebih lama juga mempunyai skor ramalan risiko yang lebih rendah. Julat konkordans adalah antara sifar dan satu, dengan nilai yang lebih tinggi menunjukkan prestasi yang lebih baik dan 0.5 menunjukkan diskriminasi secara kebetulan.
Menggunakan kaedah penilaian Royston dan Altman, indeks model pemasangan terbaik telah dikategorikan kepada empat kumpulan pada centil ke-16, ke-50 dan ke-84 untuk membangunkan empat kumpulan prognostik: Baik, Cukup Baik, Cukup lemah dan Lemah. Penggunaan kumpulan saiz yang tidak sama meningkatkan diskriminasi pesakit antara empat kumpulan dan kumpulan pesakit dengan risiko yang sama [28]. Kemandirian empat kumpulan ini dibandingkan menggunakan plot Kaplan-Meier, yang sepatutnya, idealnya, menunjukkan perbezaan besar dalam kelangsungan hidup antara empat kumpulan.
Penentukuran dinilai secara visual menggunakan model Cox yang paling sesuai. Sampel semula Bootstrap digunakan untuk menganggarkan purata kelangsungan hidup yang diramalkan dan diperhatikan yang diperbetulkan bias pada 3 dan 5 tahun selepas pemindahan [31]. Persetujuan sempurna antara kemandirian purata yang diramalkan dan diperhatikan menunjukkan model ramalan yang ditentukur dengan sempurna. Model ramalan terbaik dibandingkan dengan keupayaan ramalan KDRI, yang merupakan model semasa yang digunakan oleh banyak pembuat keputusan klinikal. Te KDRI mempunyai 14 pembolehubah berkaitan penderma dan pemindahan dan dibangunkan menggunakan regresi Cox untuk meramalkan kegagalan rasuah keseluruhan. Pembolehubah dipilih menggunakan pemadaman berperingkat bagi pembolehubah tidak signifikan[3] dan kaedah pemilihan model ini mempunyai banyak batasan yang didokumenkan dalam literatur, termasuk kolineariti, nilai-p yang terlalu kecil dan selang keyakinan yang terlalu sempit[32]. Bahasa pengaturcaraan Te R (versi 3.6.0), dengan perpustakaan 'survivalism', 'renjer', survival' dan 'LTRCtrees', telah digunakan untuk membangunkan model ramalan[33].
etikaAktiviti pendaftaran ANZDATA telah diberikan kelulusan etika penuh oleh Jawatankuasa Etika Penyelidikan Manusia Hospital Adelaide Diraja. Kajian ini telah diberikan kelulusan etika oleh Universiti Teknologi Queensland.
Keputusan
Ciri garis dasarCiri-ciri penerima dan penderma adalah dalam Jadual 1. Jumlah sampel kajian mempunyai 7,365 penderma yang telah meninggal dunia.pemindahan buah pinggangdilakukan dari 1 Januari 2007, hingga 31 Disember 2017. Umur median penderma ialah 52 tahun (julat antara kuartil 41 hingga 60) dan daripada penerima ialah 47 tahun (julat antara kuartil 32 hingga 58). Majoriti adalah lelaki (63 peratus). Kira-kira 87 peratus daripada cantuman adalah cantuman primer.
Pemilihan pembolehubah Terdapat 98 pembolehubah bebas yang berpotensi. Jadual 2 meringkaskan hasil daripada tiga pendekatan untuk memilih subset pembolehubah bebas yang tidak terlalu muat, menghasilkan tujuh set pembolehubah bebas. Pendapat pakar mengurangkan pembolehubah bebas kepada 40 pembolehubah, manakala jaringan elastik mengurangkannya kepada 46 pembolehubah. Penggunaan ketiga-tiga kaedah pemilihan pembolehubah mengurangkan 98 pembolehubah berpotensi kepada 23 komponen utama. Setiap tujuh set pembolehubah bebas ini digunakan untuk melatih dan menguji model. Semasa pembinaan model, pembolehubah tidak bersandar dikurangkan lagi dalam cox dan RSF dengan memasukkan hanya yang signifikan secara statistik (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="">
Model Cox paling sesuaiMemandangkan umur penderma adalah peramal yang kuat bagi kelangsungan hidup rasuah, transformasi umur bukan linear (asas log 2) telah ditambah ke dalam model. Ini meningkatkan indeks C sebanyak 0 sahaja.003. Kami menskalakan indeks kepada penderma median (45 tahun) dan umur penerima (50 tahun). Indeks model Cox dikira seperti ditunjukkan dalam Rajah 2. Model Weibull, yang mengandaikan bahawa bahaya bergantung kepada masa[34], juga dipasang sebagai alternatif. Walau bagaimanapun, indeks C telah dikurangkan sebanyak 0.0014, tidak meningkatkan diskriminasi, dan oleh itu kami mengekalkan model Cox. Hipertensi penderma (HR 1.43; 95 peratus CI 1.16 hingga 1.76) meningkatkan bahaya semasa mengalami polikistikpenyakit buah pinggangkerana penyakit buah pinggang utama mengurangkan bahaya (HR {{0}}.66; 95 peratus CI 0.48 hingga 0.91) (Jadual 5) kegagalan.
Taburan indeks keseluruhan pesakit menunjukkan bahawa skor kumpulan risiko, "Baik" (< 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) (Jadual 6). Keluk survival Kaplan–Meier menunjukkan kematian ditapisbuah pinggangkegagalan rasuah bagi empat kumpulan risiko adalah dalam Rajah 3. Apabila kumpulan risiko bergerak daripada "Baik" kepada "Lemah", lengkung kelangsungan hidup menunjukkan peningkatan risiko kegagalan rasuah yang ketara. Tambahan pula, berbanding dengan kumpulan "Baik", apabila kumpulan bergerak daripada "Agak baik" kepada "Lemah", nisbah bahaya meningkat dalam kedua-dua set data latihan dan pengesahan (Jadual 7). Keputusan ini menunjukkan bahawa indeks mempunyai kuasa diskriminasi yang baik[28].
Anggaran purata kemandirian berbanding dengan purata kemandirian sebenar pada 3-tahun dan 5-tahun diplot dalam Rajah 4. Dalam model yang ditentukur dengan sempurna, titik data akan terletak di sepanjang garis putus-putus (garis ramalan sempurna) , menunjukkan ketepatan ramalan yang sempurna. Purata kemandirian sebenar adalah secara konsisten lebih rendah daripada jangkaan kemandirian pada kedua-dua 3 dan 5 tahun. Walau bagaimanapun, jurang antara garis pra-diksi yang sempurna dan garis ramalan pada kedua-dua tempoh masa berkurangan apabila jangkaan survival meningkat. Secara keseluruhannya, model Cox menunjukkan tahap ketepatan ramalan yang sederhana.
Perbincangan
Kajian kami membangunkan model ramalan risiko untuk meramalkan kegagalan rasuah secara priori, menggunakan sampel pesakit yang besar. Kami menganalisis empat model ramalan yang mungkin menggunakan kaedah statistik dan pembelajaran mesin. Model terbaik ialah model ramalan risiko regresi Cox, yang boleh meramalkan kegagalan rasuah ditapis kematian dengan tahap diskriminasi dan ketepatan ramalan yang sederhana menggunakan hanya tujuh pembolehubah bebas. Kuasa diskriminasi indeks semasa mengatasi kebanyakan model ramalan risiko rasuah-kegagalan yang tersedia pada masa ini.
Model ramalan risiko telah dibangunkan untuk digunakan dalam membuat keputusan pra-pemindahan (cth.buah pinggangperuntukan), justeru hanya pembolehubah yang ada sebelum pemindahan dianggap sebagai pembolehubah bebas. Kami menggunakan pengesahan dalaman untuk mencipta model parsimonious kerana menggunakan sejumlah besar pembolehubah bebas dengan mudah boleh mencipta model berprestasi buruk yang tidak boleh digeneralisasikan disebabkan oleh overfitting [35]. Pemilihan pembolehubah berperingkat, kaedah pemilihan pembolehubah yang biasa digunakan yang digunakan untuk membangunkan KDRI, adalah kaedah yang tidak stabil yang boleh mencipta model yang berprestasi buruk dalam pengesahan luaran [28]. Penggunaan tujuh kombinasi pemilihan pembolehubah berbeza dalam kajian semasa, yang dikenal pasti melalui gabungan pendapat pakar dan statistik, membantu mengenal pasti
pembolehubah paling penting yang menjelaskan kebanyakan varians dalam data. Model parsimonious menghasilkan indeks yang lebih mudah digunakan dalam persekitaran klinikal. Model Cox terbaik terakhir mempunyai tujuh pembolehubah, kurang daripada bilangan pembolehubah yang digunakan dalam model ramalan risiko kegagalan rasuah yang paling biasa digunakan [3, 36].
Model Cox mengatasi tiga kaedah pembelajaran mesin yang digunakan dalam kajian. Kajian literatur menunjukkan bahawa ketepatan ramalan memberikan hasil yang bercampur-campur apabila pembelajaran mesin dan kaedah ramalan tradisional dibandingkan [8]. Kajian semasa menggunakan dua kaedah pembelajaran mesin berasaskan pokok dan prestasi kaedah ini yang lebih lemah dalam data kami mungkin menunjukkan bahawa data tidak mempunyai struktur pokok asas, di mana hasil ditentukan oleh pemisahan binari. Sebaliknya risiko kelangsungan hidup rasuah mungkin lebih bergantung kepada peramal berterusan, seperti umur.
Model kami dibangunkan untuk meramalkan kegagalan rasuah ditapis kematian, manakala kegagalan rasuah keseluruhan termasuk gabungan kegagalan rasuah serta kematian dengan rasuah berfungsi. Pengetahuan tentang kemandirian penderma yang diberikanbuah pinggangadalah lebih penting daripada kegagalan rasuah keseluruhan dalam membuat keputusan pra-pemindahan [2]. Dalam kajian kami, indeks C kegagalan rasuah ditapis kematian ialah 0.67. Clayton et al. mengesahkan KDRI AS, menggunakan data Australia [2], dan indeks C dalam mendiskriminasi yang ditapis kematian
kegagalan rasuah ialah {{0}}.63 iaitu diskriminasi yang lebih rendah daripada keputusan yang diperoleh di sini. Walau bagaimanapun, kemasukan kedua-dua ciri pemindahan dan penerima (jumlah pembolehubah bebas 24) dalam KDRI meningkatkan indeks C kegagalan rasuah ditapis kematian kepada 0.70 dalam Clayton et al. belajar. Pengarang ini tidak menilai penentukuran (ketepatan ramalan), yang menghalang perbandingan komprehensif dengan hasil kajian kami. Model terbaik kami mempunyai indeks C sebanyak 0.67 untuk hanya tujuh pembolehubah berbanding dengan indeks C sebanyak 0.70 untuk 24 pembolehubah dalam yang terakhir, dan doktor mungkin melihat peningkatan kecil dalam ketepatan ini sebagai tidak berbaloi dengan peningkatan kerumitan. Model ramalan dengan banyak pembolehubah juga lebih sukar dari segi logistik kerana ia memerlukan lebih banyak data untuk dikumpul dan hanya satu pembolehubah yang hilang bermakna ramalan tidak boleh dianggarkan.
Tambahan pula, kuasa diskriminasi indeks semasa mengatasi beberapa indeks lain yang tersedia pada masa ini, termasuk KDRI seperti yang diterangkan sebelum ini. Kasiske et al. (2010), membangunkan indeks dengan 11 pembolehubah penderma dan penerima, tersedia sebelum pemindahan, dan ia mempunyai indeks C 0.649 [37]. Indeks yang lebih terkini oleh Molnar et al., pada 2018, mempunyai indeks C sebanyak 0.63 dalam mendiskriminasi pesakit berisiko tinggi kegagalan rasuah. Indeks ini menggunakan 10 ciri penderma dan penerima [38]. Oleh itu, indeks yang diterangkan dalam kertas ini mampu mencapai kuasa diskriminasi yang unggul dengan pembolehubah yang lebih sedikit. Walau bagaimanapun, kita mesti mempertimbangkan sama ada ramalan menggunakan indeks dengan keupayaan diskriminasi sederhana (indeks C 0.67) boleh diterima untuk tujuan memperuntukkanbuah pinggang, kerana model itu jauh daripada indeks C sempurna 1, bermakna kita
tidak dapat memastikan bahawa peruntukan yang diramalkan akan memberikan hasil yang terbaik. Bacaan indeks tinggi palsu dalam model ramalan pada masa pemindahan mungkin tidak menggalakkan doktor dan juga pesakit daripada menerima penderma.buah pinggang. Kesan menjengkelkan kerana tersilap melabel pendermabuah pinggangsebagai 'kualiti marginal/rendah telah pun didokumenkan [39].
Ramalan kegagalan rasuah adalah fenomena kompleks, yang melibatkan ciri penderma, ciri yang berkaitan dengan pengambilan organ penderma, ciri penerima, ciri yang berkaitan dengan pemindahan, dan faktor selepas pemindahan seperti penggunaan ubat imunosupresi. Keputusan yang berkaitan denganbuah pinggangperuntukan, sudah tentu, perlu dibuat sebelum pemindahan; oleh itu, faktor prosedur pemindahan dan selepas pemindahan tidak tersedia pada masa membuat keputusan awal tersebut. Oleh itu, sumber kebolehubahan yang tidak diambil kira dalam kebanyakan model ramalan yang tersedia pada masa ini (seperti yang ditunjukkan oleh satu-satunya tahap keupayaan diskriminasi mereka yang sederhana) mungkin dipindahkan faktor berkaitan prosedur atau selepas pemindahan. Ia juga mungkin merupakan faktor penderma atau penerima yang tidak secara rutin ditangkap dalam pangkalan data, serta peristiwa stokastik yang tidak dapat diramalkan, yang membawa kepada ramalan yang tidak sempurna. Ini bermakna indeks C sempurna 1 berkemungkinan mustahil untuk model yang menggunakan faktor pra-pemindahan. Sukar untuk mengetahui apakah indeks C yang boleh dicapai tertinggi, dan ini memerlukan latihan pemodelan berasingan yang merangkumi andaian yang tidak dapat disahkan tentang kepentingan 1) peristiwa stokastik dan 2) peramal yang tidak diukur.
CISTANCHE AKAN MEMPERBAIKI JANGKITAN BUAH PINGGANG/BUAH PINGGANG
Model Te Cox dapat mendiskriminasi kategori ekstrem risiko kegagalan rasuah (Baik vs Lemah) dengan kuasa diskriminatif yang baik (indeks C=0.73), oleh itu, kegunaan instrumen dalam kalangan kategori melampau risiko kegagalan rasuah adalah lebih baik berbanding dengan kategori risiko lain. Oleh itu, mengehadkan penggunaan instrumen hanya dalam kalangan kategori risiko ini boleh menghasilkan keputusan yang lebih baik dalampemindahan buah pinggangmembuat keputusan. Kami telah menggunakan pengesahan dalaman yang mantap, tetapi pengesahan luaran merupakan langkah penting ke arah penerimaan indeks risiko ke dalam membuat keputusan klinikal kerana menilai prestasi model berdasarkan hanya pengesahan dalaman boleh membawa kepada penilaian prestasi yang terlalu optimistik [28]. Tambahan pula, kebanyakan doktor mungkin tidak mahu menggunakan alat yang belum diuji pada alat yang berbezabuah pinggangpopulasi. Oleh itu, kami mencadangkan bahawa indeks ini harus disahkan secara luaran untuk menilai kebolehgeneralisasian sebelum digunakan dalam amalan klinikal. Jika indeks menunjukkan kesahihan luaran yang baik, indeks berpotensi untuk menjadi penderma yang lebih baik kepada penerima, menambah baik semasabuah pinggangperuntukan. Memandangkan indeks ini mempunyai ciri penderma dan penerima, ia boleh meramalkan padanan penderma-penerima yang mempunyai kemandirian tertinggi selepas pemindahan, antara pilihan yang tersedia.
Kajian ini mempunyai beberapa batasan. Model ramalan hanya menggunakan pembolehubah yang dikumpul oleh ANZDATA, oleh itu, kami mungkin tidak memasukkan profil risiko lengkap pesakit. Kami hanya menggunakan empat kaedah dan kaedah pembelajaran mesin lain yang boleh memodelkan maklumat masa ke acara mungkin telah menghasilkan hasil yang lebih baik. Walau bagaimanapun, model pembelajaran mesin untuk data survival tidak dibangunkan dengan baik, mengehadkan pemilihan jenis model aplikasi terbaik kami [35].
KesimpulanRingkasnya, indeks baharu mendiskriminasi pesakit yang mempunyai risiko kegagalan cantuman yang lebih tinggi secara sederhana baik dan membuat ramalan kegagalan cantuman dengan tahap ketepatan yang sederhana. Indeks baharu yang menjanjikan ini bernilai langkah seterusnya pengesahan luaran untuk membuktikan penggunaannya dalam tetapan klinikal.
CISTANCHE AKAN MENINGKATKAN FUNGSI BUAH PINGGANG/BUAH PINGGANG
