간 이식 후 결과 예측: 연결주의 접근법

목표: 저자들은 정위 간 이식 후 초기 결과를 예측하기 위해 인공 신경망을 훈련시키고자 했다. 요약 배경 데이터: 간 이식 후 초기 결과의 신뢰할 수 있는 예측은 장기 사용을 개선하고 환자 생존에 영향을 미칠 수 있지만, 여전히 달성하기 어려운 목표이다. 전통적인 다변량 모델은 실제 임상 사용에 필요한 민감도와 특이도를 달성하지 못했다. 임상 현상을 모델링하는 데 도움이 될 수 있는 대체 접근법이 탐색되어야 한다. 그런 접근법 중 하나가 인공 신경망 또는 연결주의 모델의 사용이다. 이는 대량의 간단한 단위를 사용하여 정보를 병렬로 처리하고 패턴 인식과 관련된 작업에서 뛰어난 성능을 발휘하는 계산 시스템이다. 이들은 적응 학습 및 자기 조직화가 가능하며 높은 정도의 오류 허용성을 보인다. 방법: 155명의 성인 간 이식 데이터로 이식 결과를 예측하기 위해 10개의 피드포워드, 역전파 신경망을 훈련시켰다. 이 데이터는 수술 후 두 번째 날에 사용 가능한 정보를 포함했다. 무작위 샘플링을 사용하여 10개의 개별 훈련 및 테스트 데이터 하위 집합을 준비했고, 서로 다른 네트워크가 결과를 성공적으로 예측하는 능력을 수신기 동작 특성(ROC) 곡선 분석을 사용하여 평가했다. 결과: 네트워크 중 4개는 완벽한 판별을 보였고, ROC 곡선 아래 면적(Az)은 1.0이었다. 두 개의 다른 네트워크도 우수한 성능을 보였으며, Az는 0.95였다. 결합된 네트워크의 민감도와 특이도는 각각 60%와 100%였으며, 클래스 멤버십 결정을 위한 컷오프 점으로 0.6의 출력 뉴런 활성화를 사용했다. 컷오프 점을 0.14로 낮추면 민감도가 77%로 증가하고, 특이도가 96%로 감소했다. 결론: 이 결과는 기존의 다변량 모델의 성능과 비교할 때 특히 고무적이다. 비선형 프로세스에서 생성된 시끄러운 데이터를 다룰 때 신경망의 강인함과 데이터에 대한 선험적 가정에서의 자유는 예측 임상 모델을 개발하는 데 유망한 도구가 된다.