Ergebnisvorhersage für Nierentransplantationen von Lebendspendern (L-TOP) mit künstlicher Intelligenz

ZUSAMMENFASSUNG Hintergrund Die Ergebnisvorhersage für Nierentransplantationen von Lebendspendern verbessert klinische und Patient Entscheidungen sowie die Auswahl der Spender. Die derzeit verwendeten Modelle haben jedoch begrenzte diskriminierende oder kalibrierende Macht und es besteht ein dringender Bedarf, den Auswahlprozess zu verbessern. Wir beabsichtigten, den Wert verschiedener Algorithmen der künstlichen Intelligenz (KI) zur Verbesserung des Risikostratifizierungsindex zu bewerten. Methoden Wir evaluierten prätransplantative Variablen bei 66.914 Nierentransplantationen von Lebendspendern (die zwischen dem 1. Dezember 2007 und dem 1. Juni 2021 durchgeführt wurden) aus der Datenbank des United Network of Organ Sharing, die in Trainings- (80%) und Test- (20%) Datensätze randomisiert wurden. Der primäre Endpunkt war die überlebenszensorierte Transplantationserhaltung. Wir testeten vier Machine-Learning-Modelle auf diskriminatorischen zeitabhängigen Übereinstimmungsindex (CTD) und Fläche unter der ROC-Kurve (AUC) sowie die integrierte Brier-Punktzahl (IBS). Wir verwendeten die Entscheidungsdiagrammanalyse, um den potenziellen klinischen Nutzen zu bewerten. Ergebnisse Unter den Modellen zeigte das tiefe Cox-Mischmodell die beste diskriminierende Leistung (AUC = 0.70, 0.68 und 0.68 nach 5, 10 und 13 Jahren nach der Transplantation, bzw.). CTD erreichte 0.70, 0.67 und 0.66 nach 5, 10 und 13 Jahren nach der Transplantation. Die IBS-Punktzahl betrug 0.09, was auf eine gute Kalibrierung hinweist. Im Vergleich dazu ergab die Anwendung des Living Kidney Donor Profile Index (LKDPI) auf derselben Kohorte einen CTD von 0.56 und eine AUC von nur 0.55–0.58. Die Entscheidungsdiagrammanalyse zeigte einen zusätzlichen Nettovorteil im Vergleich zu den Ansätzen 'alle behandeln' und 'niemand behandeln' des LKDPI. Schlussfolgerung Unser KI-basiertes tiefes Cox-Mischmodell, genannt Vorhersage des Ergebnisses von Nierentransplantationen von Lebendspendern, übertrifft bestehende Vorhersagemodelle, einschließlich des LKDPI, mit dem Potenzial, Entscheidungen zur optimalen Auswahl von Lebendspendern zu verbessern, indem potenzielle Transplantationspaare basierend auf der Graftüberlebensrate eingestuft werden. Dieses Modell könnte übernommen werden, um die Ergebnisse von gepaarten Austauschprogrammen zu verbessern.