गुर्दा प्रत्यारोपण प्राप्तकर्ताओं में जीवित रहने की भविष्यवाणी के लिए मशीन लर्निंग तकनीकों का समूह

गुर्दा प्रत्यारोपण प्राप्तकर्ताओं को उच्च Cardiovascular जोखिम का सामना करना पड़ता है, जो इस रोगी समूह में मृत्यु का एक प्रमुख कारण है। यह लेख मशीन लर्निंग तकनीकों और मुख्यधारा सांख्यिकीय विधियों के आधार पर गुर्दा प्रत्यारोपण प्राप्तकर्ताओं के जीवित रहने के परिणामों को भविष्यवाणी करने के लिए क्लस्टरिंग तकनीकों और विशेषता चयन के अनुप्रयोग का प्रस्ताव करता है। सबसे पहले, विशेषता चयन तकनीकों (बोर्ता, रैंडम सर्वाइवल फॉरेस्ट और इलास्टिक नेट) का उपयोग सबसे प्रासंगिक चर की पहचान करने के लिए किया जाता है। इसके बाद, प्रत्येक विशेषता चयन तकनीक द्वारा प्राप्त चर के सेट को क्लस्टरिंग एल्गोरिदम (संसेन्स क्लस्टरिंग, स्वयं-संगठित मानचित्र और एग्रूमेटिव क्लस्टरिंग) के लिए इनपुट के रूप में उपयोग किया जाता है ताकि यह निर्धारित किया जा सके कि विशेषता चयन, क्लस्टरिंग एल्गोरिदम और क्लस्टरों की संख्या का कौन सा संयोजन इंटरक्लस्टर विविधता को अधिकतम करता है। अगला, फॉल्स क्लस्टरिंग डिस्कवरी रिडक्शन नामक तंत्र को लागू किया जाता है ताकि एक नियंत्रण मैट्रिक के बाद सांख्यिकीय रूप से अलग-अलग जनसंख्याओं की न्यूनतम संख्या प्राप्त की जा सके। यह मैट्रिक एक विविधता परीक्षण पर आधारित है ताकि यह पुष्टि की जा सके कि क्लस्टरों की संख्या को कम करने से प्राप्त विषमता में महत्वपूर्ण नुकसान नहीं होता है। यह दृष्टिकोण ऑर्गन प्रोक्योरमेंट एंड ट्रांसप्लांटेशन नेटवर्क चिकित्सा डेटासेट (n = 11,332) पर लागू किया गया था। रैंडम सर्वाइवल फॉरेस्ट और सहमति क्लस्टरिंग का संयोजन 8 प्रारंभिक से 4 क्लस्टरों का सबसे अच्छा परिणाम लाया। अंत में, प्रत्येक जनसंख्या के लिए कैपलन-मायर जीवित रहने के वक्र बनाए जाते हैं ताकि नए मरीजों के जीवित रहने का अनुमान लगाया जा सके, जिसमें XGBoost क्लासिफायर के पूर्वानुमानों के आधार पर कुल बहु-श्रेणी एयूसी 98.11% है।