Prédiction des résultats de transplantation rénale par donneur vivant (L-TOP) utilisant l'intelligence artificielle

RÉSUMÉ Contexte La prédiction des résultats pour la transplantation rénale par donneur vivant améliore les décisions cliniques et celles des patients ainsi que la sélection des donneurs. Cependant, les modèles actuellement utilisés ont un pouvoir discriminatif ou de calibration limité et il est essentiel d'améliorer le processus de sélection. Nous avons visé à évaluer la valeur de divers algorithmes d'intelligence artificielle (IA) pour améliorer l'indice de stratification des risques. Méthodes Nous avons évalué les variables pré-transplantation parmi 66 914 transplantations rénales par donneur vivant (réalisées entre le 1er décembre 2007 et le 1er juin 2021) à partir de la base de données du United Network of Organ Sharing, répartis aléatoirement en ensembles d'entraînement (80 %) et de test (20 %). La mesure de résultat primaire était la survie des greffes censurée de décès. Nous avons testé quatre modèles d'apprentissage automatique pour le coefficient de concordance dépendant du temps (CTD) et l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) et le score de Brier intégré (IBS). Nous avons utilisé l'analyse de la courbe de décision pour évaluer l'utilité clinique potentielle. Résultats Parmi les modèles, le modèle de mélange de Cox profond a montré la meilleure performance discriminative (AUC = 0,70, 0,68 et 0,68 à 5, 10 et 13 ans post-transplantation, respectivement). Le CTD a atteint 0,70, 0,67 et 0,66 à 5, 10 et 13 ans post-transplantation. Le score IBS était de 0,09, indiquant une bonne calibration. En comparaison, l'application de l'Index du Profil de Donneur de Rein Vivant (LKDPI) sur la même cohorte a produit un CTD de 0,56 et une AUC de 0,55–0,58 seulement. L'analyse de la courbe de décision a montré un bénéfice net supplémentaire par rapport aux approches ‘traiter tous’ et ‘ne traiter aucun’ de l'LKDPI. Conclusion Notre modèle de mélange de Cox profond basé sur l'IA, intitulé Prédiction des Résultats de Transplantation Rénale par Donneur Vivant, surpasse les modèles prédictifs existants, y compris le LKDPI, avec le potentiel d'améliorer les décisions pour une sélection optimale des donneurs vivants en classant les paires de transplantation potentielles en fonction de la survie des greffes. Ce modèle pourrait être adopté pour améliorer les résultats des programmes d'échange appariés.