การพัฒนาและตรวจสอบดัชนีความเสี่ยงเพื่อทำนายการรอดชีวิตจากการปลูกถ่ายไต: ดัชนีความเสี่ยงการปลูกถ่ายไต
Mar 04, 2022
บทนำ
การปลูกถ่ายไตให้คุณภาพชีวิตที่ดีขึ้นและการอยู่รอดที่เหนือกว่าเมื่อเทียบกับผู้อื่นไตการรักษาด้วยยาทดแทน [1] อย่างไรก็ตาม ระบบสุขภาพทั่วโลกกำลังต่อสู้ดิ้นรนเพื่อเชื่อมช่องว่างที่เพิ่มขึ้นระหว่างความต้องการสูงสำหรับการปลูกถ่ายไตและอุปทานที่จำกัด กลยุทธ์หนึ่งคือการกำกับไตการปลูกถ่ายอวัยวะไปยังผู้รับที่มีอายุยืนยาวที่สุด ซึ่งจะช่วยลดทั้งจำนวนความล้มเหลวในการต่อกิ่งและจำนวนผู้ป่วยที่เสียชีวิตด้วยการปลูกถ่ายอวัยวะ [2] แบบจำลองการทำนายความเสี่ยง การทำนายความล้มเหลวของการรับสินบนก่อนการปลูกถ่าย เป็นการสนับสนุนทางคลินิกในการตัดสินใจที่ซับซ้อนของผู้รับที่เข้าคู่กันที่มีอายุยืนยาวที่สุดและการปลูกถ่ายอวัยวะที่มีความเสี่ยงต่อความล้มเหลวต่ำ มีหลายอย่างไตแบบจำลองการทำนายความเสี่ยงในการรับสินบนในวรรณคดีที่ช่วยการตัดสินใจทางการแพทย์ตามหลักฐานในการปฏิบัติทางคลินิก [3, 4] ดิไตDonor Risk Index (KDRI) พัฒนาโดย Rao et al. ในปี 2552 มีการใช้การตัดสินใจทางคลินิกอย่างกว้างขวาง [3] และมีการใช้ในสหรัฐอเมริกาไตระบบการจัดสรร [5]. ดัชนี Te C ซึ่งระบุถึงความสามารถของแบบจำลองการคาดการณ์ในการเลือกปฏิบัติต่อกิ่งที่รอดตายได้นานขึ้นจากกราฟต์ที่รอดตายที่สั้นกว่านั้น อย่างไรก็ตาม 0.62 ค่าที่แสดงถึงการเลือกปฏิบัติที่สมเหตุสมผลเท่านั้น แนวทางใหม่ที่ใช้สถิติหรือวิธีการเรียนรู้ด้วยเครื่องมีศักยภาพในการทำนายที่แม่นยำยิ่งขึ้น [6]
แมชชีนเลิร์นนิงมีวิวัฒนาการอย่างรวดเร็วในช่วงหลายทศวรรษที่ผ่านมา และได้นำไปใช้กับการวินิจฉัยทางการแพทย์บางด้านแล้ว [7] การทบทวนอย่างเป็นระบบโดยกลุ่มของเราเมื่อเร็วๆ นี้ ได้เน้นย้ำถึงบทบาทของแบบจำลองการคาดการณ์ความเสี่ยงตามแมชชีนเลิร์นนิงในการตัดสินใจทางการแพทย์ ซึ่งนำไปสู่ความแม่นยำมากขึ้นการปลูกถ่ายไตการทำนายผล [8]. อย่างไรก็ตาม การทบทวนของเราพบว่าแบบจำลองอื่นๆ นอกเหนือจากที่พัฒนาขึ้นในสหรัฐอเมริกานั้น โดยทั่วไปได้มาจากขนาดตัวอย่างที่มีผู้ป่วยน้อยกว่า 1,000 ราย นอกจากนี้ ยังไม่มีโมเดลแมชชีนเลิร์นนิ่งรุ่นใดที่พัฒนาแบบจำลองเวลาต่อเหตุการณ์ (การเอาชีวิตรอด) [8] ส่วนใหญ่ใช้ผลลัพธ์ไบนารีของความล้มเหลวแทนหรือไม่ อย่างไรก็ตาม วิธีการแบบไบนารีถือว่าการปลูกถ่ายอวัยวะที่มีชีวิตอยู่หนึ่งปีเท่ากับการปลูกถ่ายอวัยวะที่ล้มเหลวในสองปี ผลลัพธ์ที่แตกต่างกันอย่างมากมายสำหรับผู้ป่วยและระบบสุขภาพ โมเดลเหล่านี้ไม่ได้คำนึงถึงการสูญเสียการติดตาม ดังนั้น การรวมพลวัตของเวลาเข้ากับเหตุการณ์เข้ากับแบบจำลองการทำนายจะสร้างข้อมูลเพิ่มเติมที่สำคัญทางคลินิกและทางเศรษฐกิจ [9] วัตถุประสงค์ของเราคือการพัฒนาและตรวจสอบแบบจำลองการทำนายทางสถิติและการเรียนรู้ด้วยเครื่องเพื่อทำนายความล้มเหลวของการรับสินบนหลังผู้บริจาคที่เสียชีวิตการปลูกถ่ายไต,โดยใช้ข้อมูลเวลาถึงเหตุการณ์ในชุดข้อมูลระดับชาติขนาดใหญ่จากออสเตรเลีย
คำสำคัญ:การทำนายความเสี่ยง, การเรียนรู้ของเครื่อง, การรับสินบนล้มเหลว, การปลูกถ่ายไต, ไต
วิธีการโปรโตคอลของการศึกษานี้ได้รับการตรวจสอบและเผยแพร่โดยเพื่อน [10] โดยสังเขป สามแมชชีนเลิร์นนิง (Survival Tree[11], Random survival forest[12] และ Survival support vector machine[13]) และแบบจำลองการถดถอยแบบดั้งเดิม (Cox regression [14]) ของ time-to-even (เวลาเอาชีวิตรอด) สร้างขึ้น การศึกษานี้รายงานโดยใช้วิธีการรายงานแบบโปร่งใสของแบบจำลองการคาดการณ์หลายตัวแปรสำหรับการพยากรณ์โรคหรือการวินิจฉัยรายบุคคล (TRIPOD)[15] แหล่งข้อมูลกลุ่มการศึกษา Te คือ Australian and New Zealand Dialysis and Transplant Registry (ANZDATA)[16] รวบรวมและรายงานความชุก อุบัติการณ์ และผลลัพธ์ของการฟอกไตและการปลูกถ่ายไตผู้ป่วยทั่วประเทศออสเตรเลีย ชุดข้อมูลมีลักษณะผู้บริจาคและผู้รับ 7,365ไตเฉพาะผู้บริจาคที่เสียชีวิตจาก 1 มกราคม 2550 ถึง 31 ธันวาคม 2560 ดำเนินการในออสเตรเลีย

CISTANCHE จะปรับปรุงโรคไต/โรคไต
ผลผลลัพธ์หลักคือระยะเวลาในการต่อกิ่งที่ล้มเหลวตั้งแต่วันย้ายปลูก ผู้ป่วยที่เสียชีวิตด้วยการรับสินบนที่ใช้งานได้นั้นรวมอยู่ด้วยและถูกเซ็นเซอร์ที่ถูกต้อง ณ วันที่เสียชีวิต ผู้ป่วยที่มีการปลูกถ่ายอวัยวะเมื่อสิ้นสุดระยะเวลาการศึกษาถูกเซ็นเซอร์ขวาในวันที่ 31 ธันวาคม 2017 ผู้ป่วย 65 ราย (ร้อยละ 0.9) สูญเสียการติดตามผลและถูกเซ็นเซอร์อย่างถูกต้องในวันที่ติดตามผลครั้งล่าสุด ตัวแปรอิสระ เป้าหมายของเราคือการพัฒนาดัชนีความเสี่ยงเพื่อใช้ในการตัดสินใจก่อนการปลูกถ่าย ดังนั้นเราจึงใช้เฉพาะตัวแปรที่มีอยู่ก่อนการปลูกถ่ายและตัวแปรที่รายงานใน ANZDATA ในกลุ่มผู้ป่วยทั้งหมด โดยรวมแล้ว 67 ตัวแปรอิสระที่เป็นไปได้ ทั้งลักษณะผู้รับและผู้บริจาคถูกระบุ[17]
การพัฒนาแบบจำลองเป็นกระบวนการตามลำดับโดยมีห้าขั้นตอนต่อไปนี้: การเตรียมข้อมูล การแบ่งชุดข้อมูลออกเป็นชุดข้อมูลการฝึกอบรมและการตรวจสอบ การเลือกตัวแปร การฝึกแบบจำลอง และการประเมินแบบจำลอง (รูปที่ 1)
ขั้นตอนที่ 1: การเตรียมข้อมูล ก่อนการพัฒนาแบบจำลอง ข้อมูลถูกประมวลผลโดย: การรักษาค่าที่หายไป การจำลองการเข้ารหัสตัวแปรหมวดหมู่ และการปรับสเกลตัวแปรต่อเนื่อง ชุดข้อมูลมีจุดข้อมูลเกือบ 500000 จุด (ผู้ป่วย 7,365 ราย×ตัวแปรอิสระ 67 ตัวแปร) และ 2.5 เปอร์เซ็นต์ของจุดข้อมูลหายไป ตัวแปรส่วนใหญ่ (64 เปอร์เซ็นต์ ) ขาดหายไปน้อยกว่า 1 เปอร์เซ็นต์ สำหรับตัวแปรที่มีค่าขาดหายไป มีการใช้การใส่ข้อมูลหลายตัวสำหรับตัวแปรตามหมวดหมู่ 14 ตัวและตัวแปรต่อเนื่อง 17 ตัวที่มีเด็คสุ่มและแผนผังการจำแนกและการถดถอย (CART) โดยใช้แพ็คเกจ R 'simputation' [18] กับชุดข้อมูลทั้งหมดของผู้ป่วย 7,365 ราย จากความเห็นของผู้เชี่ยวชาญ ค่าที่หายไปของตัวแปรตามหมวดหมู่ 13 ตัวได้รับการกำหนดหมวดหมู่แยกต่างหากของ "ขาดหายไป" เพื่อหลีกเลี่ยงข้อมูลที่จะสูญหาย ตัวแปรอิสระเชิงตัวเลขถูกทำให้เป็นมาตรฐานโดยใช้มาตราส่วนต่ำสุด-สูงสุด แปลงให้เป็นมาตราส่วนที่คล้ายกันเพื่อทำให้การเปรียบเทียบระหว่างตัวแปรง่ายขึ้น[19] ตัวแปรตามหมวดหมู่ถูกเข้ารหัสจำลองเป็นหมวดหมู่เล็กน้อย หลังจากการเข้ารหัสจำลอง จำนวนตัวแปรอิสระทั้งหมดคือ 98
ขั้นตอนที่ 2: ข้อมูลการฝึกอบรมและการตรวจสอบชุดข้อมูล Te ถูกสุ่มแบ่งออกเป็นสองส่วน: ชุดข้อมูลการฝึกอบรมและชุดข้อมูลการตรวจสอบ ชุดฝึกอบรม ที่ใช้ในการฝึกแบบจำลองการทำนายทั้งสี่แบบ มีข้อมูล 70 เปอร์เซ็นต์ (n=5,156) ชุดตรวจสอบความถูกต้อง (n=2,209) ถูกใช้เพื่อทดสอบพลังการทำนายของแต่ละรุ่นอย่างแข็งแกร่ง การมีชุดการตรวจสอบที่แยกจากกันช่วยให้สามารถประมาณการได้อย่างแม่นยำมากขึ้นสำหรับความแม่นยำในการคาดคะเนของแบบจำลอง และช่วยหลีกเลี่ยงการใส่มากเกินไป

ขั้นตอนที่ 3: การเลือกตัวแปรขั้นตอนสำคัญในกระบวนการสร้างแบบจำลองคือการเลือกชุดตัวแปรทำนายจากตัวแปรอิสระที่มีอยู่จำนวนมาก (n=98) ตัวแปรอิสระมากเกินไปในแบบจำลองมีความเสี่ยงมากเกินไป ในทางกลับกัน การลดกำลังการทำนาย[20] วิธีการของต้นไม้ถูกนำมาใช้ในการเลือกตัวแปรอิสระ: 1. ความคิดเห็นของผู้เชี่ยวชาญ: นักไตวิทยาที่มีประสบการณ์ของต้นไม้ได้ทบทวนชุดตัวแปรอิสระที่เป็นไปได้และระบุว่าตัวแปรนั้นมีนัยสำคัญทางคลินิกหรือไม่ ข้อตกลงของผู้เชี่ยวชาญอย่างน้อยสองคนถือว่าเพียงพอที่จะรวมตัวแปรไว้ในแบบจำลอง 2. การวิเคราะห์องค์ประกอบหลัก [21] ช่วยลดมิติของชุดข้อมูลโดยแปลงเป็นองค์ประกอบหลักจำนวนน้อยลงตามความสัมพันธ์ระหว่างตัวแปร ชุดของส่วนประกอบนี้คงความแปรปรวนส่วนใหญ่ไว้อย่างดีเยี่ยม ดังนั้นจึงไม่สูญเสียข้อมูล แต่จะสูญเสียข้อมูลโดยใช้ตัวแปรน้อยลง เราใช้จำนวนส่วนประกอบหลักที่รักษาความแปรปรวนเดิมไว้ได้ 90 เปอร์เซ็นต์ 3. Elastic net trades-of model ft และความซับซ้อนเพื่อค้นหาแบบจำลอง parsimonious โดยจะตรวจสอบแบบจำลองต่างๆ โดยใช้บทลงโทษเพื่อหลีกเลี่ยงการปรับค่าเกินที่มีตั้งแต่ไม่มีบทลงโทษ (Ridge regression – L2) ไปจนถึงโทษที่รุนแรง (Lasso regression – L1) เพื่อค้นหาจุดโทษที่เหมาะสมที่สุดโดยใช้การตรวจสอบข้าม[22] . ค่า L1 และ L2 ซึ่งทำให้เกิดความคลาดเคลื่อนกำลังสองเฉลี่ยต่ำสุดในระหว่างการตรวจสอบข้ามถูกใช้เพื่อวางโมเดลตาข่ายยืดหยุ่น วิธีการเลือกตัวแปรแต่ละอย่างของ Tese ถูกนำมาใช้เพียงอย่างเดียวและในการผสมผสานที่เป็นไปได้ทั้งหมด เช่น ความคิดเห็นของผู้เชี่ยวชาญตามด้วยตาข่ายยืดหยุ่น ดังนั้นจึงใช้วิธีการเลือกตัวแปรทั้งหมดเจ็ดวิธีเพื่อสร้างตัวแปรอิสระที่แตกต่างกันเจ็ดชุด
ขั้นตอนที่ 4: การฝึกโมเดลเราใช้สี่วิธีในการสร้างแบบจำลองเวลาถึงเหตุการณ์หลัก เช่น ผลลัพธ์การเอาชีวิตรอด การถดถอยตามสัดส่วนค็อกซ์[14]. โมเดลกึ่งพารามิเตอร์นี้ใช้กันอย่างแพร่หลายในการสำรวจความสัมพันธ์ระหว่างผลลัพธ์ เช่น ข้อมูลการรอดชีวิตและตัวแปรอิสระ หลังจากสร้างแบบจำลองตัวแปรอิสระที่เลือก จำนวนตัวแปรจะลดลงอีกโดยรวมเฉพาะตัวแปรที่มีนัยสำคัญทางสถิติเท่านั้น (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="">0.05).>
เครื่องสนับสนุนการเอาตัวรอด[13]. วิธีนี้ใช้ไฮเปอร์เพลนเพื่อสร้างคลาสของตัวแปรอิสระทั้งแบบเชิงเส้น (เช่น ฟังก์ชันเคอร์เนลเชิงเส้น) หรือข้อมูลที่แยกได้แบบไม่เป็นเชิงเส้น (เช่น เคอร์เนลพหุนาม)[26, 27] ตามประสิทธิภาพของแบบจำลอง รุ่นเครื่องสนับสนุนเวกเตอร์ทั้งหมดได้รับการติดตั้งโดยใช้ฟังก์ชันเคอร์เนลเชิงเส้นพร้อมแบบจำลองเครื่องสนับสนุนการเอาตัวรอดประเภท 'การถดถอย' ตัวแปรอิสระเจ็ดชุดถูกใช้ในการฝึกและตรวจสอบแบบจำลองการทำนายสี่แบบซึ่งให้ผลลัพธ์ 28 รายการ: วิธีการเลือกตัวแปรเจ็ดวิธี×แบบจำลองการคาดการณ์สี่ตัว ผลลัพธ์ที่คาดการณ์ไว้สำหรับแบบจำลองทั้งสี่แบบคือดัชนีตามช่วงระยะเวลา ซึ่งเราติดป้ายกำกับว่าการปลูกถ่ายไตดัชนีความเสี่ยง

CISTANCHE จะปรับปรุงไต/ความล้มเหลวของไต
ขั้นตอนที่ 5: การประเมินแบบจำลองเราประเมินแบบจำลองโดยใช้วิธีการที่ Royston และ Altman เสนอ[28] ประสิทธิภาพของแบบจำลองได้รับการประเมินโดยใช้สองเมตริก ได้แก่ การเลือกปฏิบัติและการสอบเทียบ ดัชนีที่มีการเลือกปฏิบัติที่ดีควรมีคะแนนความเสี่ยงสูงกว่าสำหรับผู้ป่วยที่มีความเสี่ยงสูง และในทางกลับกัน การสอบเทียบจะวัดความถูกต้องของการทำนายโดยเปรียบเทียบความแม่นยำของการอยู่รอดที่คาดการณ์ไว้จากดัชนีกับการอยู่รอดในข้อมูลที่สังเกตได้[29] สำหรับวัตถุประสงค์ในการศึกษาของเรา การเลือกปฏิบัติมีความสำคัญมากกว่าการสอบเทียบ เนื่องจากเป้าหมายของเราคือการให้แนวทางในการตัดสินใจที่ระบุผู้ป่วยที่ค่อนข้างสูงและมีความเสี่ยงต่ำ[28] ดังนั้นแบบจำลองที่ดีที่สุดจึงถูกเลือกโดยใช้ดัชนีความสอดคล้อง (ดัชนี C)[30] ซึ่งเป็นดัชนีที่ประเมินความสามารถในการเลือกปฏิบัติของแบบจำลอง Te C-index ถูกกำหนดให้เป็นเศษส่วนของคู่ของผู้ป่วยที่ผู้ป่วยที่มีเวลารอดชีวิตนานขึ้นก็มีคะแนนทำนายความเสี่ยงต่ำกว่า ช่วงความสอดคล้องอยู่ระหว่างศูนย์ถึงหนึ่ง โดยค่าที่สูงกว่าบ่งชี้ประสิทธิภาพที่ดีขึ้น และ 0.5 หมายถึงการเลือกปฏิบัติโดยบังเอิญ
วิธีการประเมินของ Appling Royston และ Altman ดัชนีของแบบจำลองที่เหมาะสมที่สุดถูกแบ่งออกเป็นสี่กลุ่มที่ centiles ที่ 16, 50 และ 84 เพื่อพัฒนากลุ่มการพยากรณ์สี่กลุ่ม: ดี ค่อนข้างดี ค่อนข้างแย่ และแย่ การใช้กลุ่มที่มีขนาดไม่เท่ากันช่วยปรับปรุงการเลือกปฏิบัติของผู้ป่วยระหว่างทั้งสี่กลุ่มและกลุ่มผู้ป่วยที่มีความเสี่ยงใกล้เคียงกัน[28] การอยู่รอดของทั้งสี่กลุ่มนี้ถูกเปรียบเทียบโดยใช้แผนการของ Kaplan–Meier ซึ่งควรจะแสดงให้เห็นความแตกต่างอย่างมากในการเอาชีวิตรอดระหว่างทั้งสี่กลุ่ม
การสอบเทียบได้รับการประเมินด้วยสายตาโดยใช้แบบจำลอง Cox ที่เหมาะสมที่สุด ตัวอย่าง Bootstrap ถูกใช้เพื่อประมาณการทำนายและสังเกตการรอดชีวิตเฉลี่ยที่แก้ไขอคติที่ 3 และ 5 ปีหลังการปลูกถ่าย[31] ข้อตกลงที่สมบูรณ์แบบระหว่างค่าเฉลี่ยการอยู่รอดที่คาดการณ์ไว้และที่สังเกตได้บ่งชี้ว่าแบบจำลองการทำนายที่ได้รับการสอบเทียบอย่างสมบูรณ์แบบ แบบจำลองการทำนายที่ดีที่สุดถูกนำมาเปรียบเทียบกับความสามารถในการทำนายของ KDRI ซึ่งเป็นแบบจำลองปัจจุบันที่ใช้โดยผู้มีอำนาจตัดสินใจทางคลินิกจำนวนมาก Te KDRI มีตัวแปรที่เกี่ยวข้องกับผู้บริจาคและการปลูกถ่าย 14 ตัว และได้รับการพัฒนาโดยใช้การถดถอยของค็อกซ์เพื่อทำนายความล้มเหลวของการปลูกถ่ายโดยรวม ตัวแปรถูกเลือกโดยใช้การลบตัวแปรที่ไม่มีนัยสำคัญออกทีละขั้น[3] และวิธีการเลือกแบบจำลองนี้มีข้อจำกัดมากมายที่บันทึกไว้ในเอกสารประกอบ ซึ่งรวมถึงความสอดคล้องกัน ค่า p ที่น้อยเกินไป และช่วงความเชื่อมั่นที่แคบเกินไป[32] ภาษาโปรแกรม Te R (เวอร์ชัน 3.6.0) โดยใช้ไลบรารี 'survivalism', 'ranger', survival' และ 'LTRCtrees' ในการพัฒนาแบบจำลองการคาดการณ์[33]
จริยธรรมกิจกรรมของการลงทะเบียน ANZDATA ได้รับการอนุมัติด้านจริยธรรมโดยสมบูรณ์จากคณะกรรมการจริยธรรมการวิจัยในมนุษย์ของโรงพยาบาลรอยัลแอดิเลด การศึกษานี้ได้รับการอนุมัติด้านจริยธรรมจากมหาวิทยาลัยเทคโนโลยีควีนส์แลนด์
ผลลัพธ์
ลักษณะพื้นฐานลักษณะของผู้รับและผู้บริจาคอยู่ในตารางที่ 1 ตัวอย่างการศึกษาทั้งหมดมีผู้บริจาคที่เสียชีวิต 7,365 รายการปลูกถ่ายไตดำเนินการตั้งแต่วันที่ 1 มกราคม 2550 ถึงวันที่ 31 ธันวาคม 2017 อายุมัธยฐานของผู้บริจาคคือ 52 ปี (ช่วงควอร์ไทล์ 41 ถึง 60) และผู้รับคือ 47 ปี (พิสัยควอร์ไทล์ 32 ถึง 58) ส่วนใหญ่เป็นเพศชาย (63 เปอร์เซ็นต์ ) ประมาณร้อยละ 87 ของการต่อกิ่งเป็นการปลูกถ่ายเบื้องต้น

การเลือกตัวแปร Tere คือ 98 ตัวแปรอิสระที่อาจเกิดขึ้น ตารางที่ 2 สรุปผลลัพธ์ของวิธีการสามวิธีในการเลือกชุดย่อยของตัวแปรอิสระที่ไม่มากเกินไป ส่งผลให้มีตัวแปรอิสระเจ็ดชุด ความคิดเห็นของผู้เชี่ยวชาญลดตัวแปรอิสระลงเหลือ 40 ตัวแปร ขณะที่ตาข่ายยืดหยุ่นลดเหลือ 46 ตัวแปร การใช้วิธีการเลือกตัวแปรทั้งสามวิธีลดตัวแปรที่เป็นไปได้ 98 ตัวเหลือ 23 องค์ประกอบหลัก ตัวแปรอิสระทั้งเจ็ดชุดนี้ใช้เพื่อฝึกและทดสอบแบบจำลอง ระหว่างการสร้างแบบจำลอง ตัวแปรอิสระลดลงเพิ่มเติมใน cox และ RSF โดยรวมเฉพาะตัวแปรที่มีนัยสำคัญทางสถิติ (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="">0.05)>


รุ่น Cox ที่เหมาะสมที่สุดเนื่องจากอายุผู้บริจาคเป็นตัวทำนายที่ชัดเจนของการอยู่รอดของการปลูกถ่าย จึงมีการเพิ่มการเปลี่ยนแปลงอายุแบบไม่เชิงเส้น (log base 2) ลงในแบบจำลอง ทำให้ดัชนี C เพิ่มขึ้นเพียง 0.003 เราปรับขนาดดัชนีให้เป็นผู้บริจาคมัธยฐาน (45 ปี) และอายุผู้รับ (50 ปี) ดัชนีของแบบจำลอง Cox คำนวณดังแสดงในรูปที่ 2 แบบจำลอง Weibull ซึ่งถือว่าอันตรายขึ้นอยู่กับเวลา[34] ก็ถูกติดตั้งเป็นทางเลือกด้วย อย่างไรก็ตาม ดัชนี C ลดลง 0.0014 โดยไม่เพิ่มการเลือกปฏิบัติ ดังนั้นเราจึงคงรูปแบบ Cox ไว้ ความดันโลหิตสูงผู้บริจาค (HR 1.43; 95 เปอร์เซ็นต์ CI 1.16 ถึง 1.76) เพิ่มอันตรายในขณะที่มี polycysticโรคไตเนื่องจากโรคไตปฐมภูมิลดอันตราย (HR {0}}.66; 95 เปอร์เซ็นต์ CI 0.48 ถึง 0.91) (ตารางที่ 5) ของความล้มเหลว
การกระจายตัวของดัชนีผู้ป่วยโดยรวม แสดงว่า คะแนนกลุ่มเสี่ยง “ดี” (< 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) (ตารางที่ 6) เส้นโค้งการเอาตัวรอดของ Kaplan–Meier แสดงการเซ็นเซอร์ความตายไตความล้มเหลวของการรับสินบนสำหรับกลุ่มเสี่ยงทั้งสี่กลุ่มอยู่ในรูปที่ 3 ในขณะที่กลุ่มเสี่ยงเปลี่ยนจาก "ดี" เป็น "แย่" กราฟการเอาตัวรอดแสดงให้เห็นถึงความเสี่ยงที่เพิ่มขึ้นของความล้มเหลวของการปลูกถ่ายอวัยวะ นอกจากนี้ เมื่อเทียบกับกลุ่ม "ดี" เนื่องจากกลุ่มย้ายจาก "ค่อนข้างดี" เป็น "แย่" อัตราอันตรายจะเพิ่มขึ้นในชุดข้อมูลการฝึกอบรมและการตรวจสอบความถูกต้อง (ตารางที่ 7) ผลลัพธ์เหล่านี้แสดงให้เห็นว่าดัชนีมีอำนาจในการเลือกปฏิบัติที่ดี[28]
ค่าเฉลี่ยการรอดชีวิตเทียบกับค่าเฉลี่ยการรอดชีวิตจริงที่ 3-ปี และ 5-ปี ถูกพล็อตในรูปที่ 4 ในรูปแบบที่ปรับเทียบอย่างสมบูรณ์แบบ จุดข้อมูลจะอยู่บนเส้นประ (เส้นการทำนายที่สมบูรณ์แบบ) แสดงถึงความแม่นยำในการทำนายที่สมบูรณ์แบบ ค่าเฉลี่ยการรอดชีวิตจริงต่ำกว่าการรอดชีวิตที่คาดการณ์ไว้อย่างสม่ำเสมอทั้ง 3 และ 5 ปี อย่างไรก็ตาม ช่องว่างระหว่างเส้นการทำนายที่สมบูรณ์แบบและเส้นการทำนายในทั้งสองช่วงเวลาจะลดลงเมื่อการอยู่รอดที่คาดการณ์ไว้เพิ่มขึ้น โดยรวมแล้ว โมเดล Cox แสดงความแม่นยำในการทำนายในระดับปานกลาง
การอภิปราย
การศึกษาของเราได้พัฒนารูปแบบการทำนายความเสี่ยงเพื่อทำนายความล้มเหลวของการรับสินบนล่วงหน้า โดยใช้ตัวอย่างของผู้ป่วยจำนวนมาก เราวิเคราะห์แบบจำลองการคาดการณ์ที่เป็นไปได้สี่แบบโดยใช้วิธีการทางสถิติและการเรียนรู้ของเครื่อง แบบจำลองที่ดีที่สุดคือแบบจำลองการทำนายความเสี่ยงการถดถอยของค็อกซ์ ซึ่งสามารถทำนายความล้มเหลวของการปลูกถ่ายอวัยวะที่มีการเซ็นเซอร์ความตายด้วยการเลือกปฏิบัติในระดับปานกลางและความแม่นยำในการทำนายโดยใช้ตัวแปรอิสระเพียงเจ็ดตัว อำนาจการเลือกปฏิบัติของดัชนีปัจจุบันมีประสิทธิภาพดีกว่าแบบจำลองการคาดการณ์ความเสี่ยงจากการรับสินบน-ความล้มเหลวส่วนใหญ่ที่มีอยู่ในปัจจุบัน


แบบจำลองการทำนายความเสี่ยงได้รับการพัฒนาเพื่อใช้ในการตัดสินใจก่อนการปลูกถ่าย (เช่นไตการจัดสรร) ดังนั้นเฉพาะตัวแปรที่มีอยู่ก่อนการปลูกถ่ายจึงถือเป็นตัวแปรอิสระ เราใช้การตรวจสอบความถูกต้องภายในเพื่อสร้างแบบจำลองเชิงเปรียบเทียบ เนื่องจากการใช้ตัวแปรอิสระจำนวนมากสามารถสร้างแบบจำลองที่มีประสิทธิภาพต่ำซึ่งไม่สามารถสรุปได้ทั่วไปเนื่องจากการใส่มากเกินไป [35] การเลือกตัวแปรแบบขั้นตอน ซึ่งเป็นวิธีการเลือกตัวแปรที่ใช้กันทั่วไปซึ่งใช้ในการพัฒนา KDRI เป็นวิธีการที่ไม่เสถียรที่อาจสร้างแบบจำลองที่ดำเนินการตรวจสอบภายนอกได้ไม่ดี [28] การใช้ชุดค่าผสมการเลือกตัวแปรที่แตกต่างกันเจ็ดชุดในการศึกษาปัจจุบัน ซึ่งระบุโดยความเห็นของผู้เชี่ยวชาญและสถิติร่วมกัน ช่วยในการระบุ

ตัวแปรที่สำคัญที่สุดที่อธิบายความแปรปรวนส่วนใหญ่ในข้อมูล แบบจำลองเชิงเปรียบเทียบส่งผลให้เกิดดัชนีที่ง่ายต่อการใช้งานในสถานพยาบาล โมเดล Cox ที่ดีที่สุดขั้นสุดท้ายมีตัวแปร 7 ตัว ซึ่งน้อยกว่าจำนวนตัวแปรที่ใช้ในแบบจำลองการคาดการณ์ความเสี่ยงจากความล้มเหลวของกราฟต์ที่ใช้บ่อยที่สุด [3, 36]
โมเดล Cox มีประสิทธิภาพดีกว่าวิธีการเรียนรู้ของเครื่องทั้งสามแบบที่ใช้ในการศึกษา การทบทวนวรรณกรรมระบุว่าความแม่นยำในการทำนายให้ผลลัพธ์ที่หลากหลายเมื่อเปรียบเทียบการเรียนรู้ของเครื่องและวิธีการทำนายแบบดั้งเดิม [8] การศึกษาในปัจจุบันใช้วิธีการเรียนรู้ด้วยเครื่องแบบต้นไม้สองวิธี และประสิทธิภาพที่แย่ลงของวิธีการเหล่านี้ในข้อมูลของเราอาจเป็นสัญญาณบ่งชี้ว่าข้อมูลไม่มีโครงสร้างแบบต้นไม้พื้นฐาน ซึ่งผลลัพธ์จะถูกกำหนดโดยการแยกไบนารี ความเสี่ยงของการอยู่รอดของการปลูกถ่ายอวัยวะอาจขึ้นอยู่กับตัวทำนายอย่างต่อเนื่องมากกว่า เช่น อายุ
แบบจำลองของเราได้รับการพัฒนาขึ้นเพื่อทำนายความล้มเหลวของการต่อกิ่งที่มีการเซ็นเซอร์ความตาย ในขณะที่ความล้มเหลวของการรับสินบนโดยรวมนั้นรวมถึงความล้มเหลวของการต่อกิ่งและการตายด้วยการต่อกิ่งที่ทำงานได้ ความรู้เรื่องการอยู่รอดของผู้บริจาคที่กำหนดไตมีความสำคัญมากกว่าความล้มเหลวของการปลูกถ่ายอวัยวะโดยรวมในการตัดสินใจก่อนการปลูกถ่าย [2] ในการศึกษาของเรา ดัชนี C ของความล้มเหลวในการรับสินบนที่เซ็นเซอร์มรณะคือ 0.67 เคลย์ตันและคณะ ตรวจสอบ KDRI ของสหรัฐอเมริกาโดยใช้ข้อมูลของออสเตรเลีย [2] และดัชนี C ในการเลือกปฏิบัติที่ถูกเซ็นเซอร์ความตาย

ความล้มเหลวของการรับสินบนคือ {0}}.63 ซึ่งเป็นการเลือกปฏิบัติที่ต่ำกว่าผลลัพธ์ที่ได้รับที่นี่ อย่างไรก็ตาม การรวมคุณสมบัติของการปลูกถ่ายและผู้รับ (ตัวแปรอิสระทั้งหมด 24) ใน KDRI ได้เพิ่มดัชนี C ของความล้มเหลวของการปลูกถ่ายอวัยวะที่ถูกเซ็นเซอร์ความตายเป็น 0.70 ใน Clayton et al ศึกษา. ผู้เขียนเหล่านี้ไม่ได้ประเมินการสอบเทียบ (ความแม่นยำในการทำนาย) ซึ่งขัดขวางการเปรียบเทียบที่ครอบคลุมกับผลการศึกษาของเรา โมเดลที่ดีที่สุดของเรามีค่าดัชนี C เท่ากับ 0.67 สำหรับตัวแปรเพียง 7 ตัว เทียบกับดัชนี C ที่ 0.70 สำหรับตัวแปร 24 ตัวในระยะหลัง และแพทย์อาจมองว่าความแม่นยำที่เพิ่มขึ้นเล็กน้อยนี้ไม่คุ้มกับความซับซ้อนที่เพิ่มขึ้น โมเดลการคาดการณ์ที่มีตัวแปรจำนวนมากยังยากต่อลอจิสติกส์ เนื่องจากพวกเขาต้องการข้อมูลมากขึ้นในการรวบรวม และตัวแปรที่ขาดหายไปเพียงตัวเดียวหมายความว่าการคาดคะเนไม่สามารถประมาณได้
นอกจากนี้ อำนาจการเลือกปฏิบัติของดัชนีปัจจุบันยังมีประสิทธิภาพเหนือกว่าดัชนีอื่นๆ ที่มีอยู่ในปัจจุบัน รวมถึง KDRI ตามที่อธิบายไว้ก่อนหน้านี้ Kasiske และคณะ (2010) พัฒนาดัชนีที่มีตัวแปรผู้ให้และผู้รับ 11 ตัว ซึ่งพร้อมใช้งานก่อนการปลูกถ่าย และมีดัชนี C เท่ากับ 0.649 [37] ดัชนีล่าสุดโดย Molnar et al. ในปี 2561 มีดัชนี C เท่ากับ 0.63 ในการเลือกปฏิบัติผู้ป่วยที่มีความเสี่ยงสูงต่อความล้มเหลวของการรับสินบน ดัชนีนี้ใช้คุณลักษณะผู้บริจาคและผู้รับ 10 ประการ [38] ดังนั้น ดัชนีที่อธิบายในบทความนี้จึงสามารถบรรลุอำนาจการเลือกปฏิบัติที่เหนือกว่าโดยมีตัวแปรน้อยลง อย่างไรก็ตาม เราต้องพิจารณาว่าการทำนายโดยใช้ดัชนีที่มีความสามารถในการเลือกปฏิบัติในระดับปานกลาง (ดัชนี C 0.67) นั้นเป็นที่ยอมรับสำหรับวัตถุประสงค์ในการจัดสรรหรือไม่ไตเนื่องจากตัวแบบอยู่ไกลจากดัชนี C ที่สมบูรณ์แบบของ 1 ซึ่งหมายความว่าเรา


ไม่สามารถแน่ใจได้ว่าการจัดสรรที่คาดการณ์ไว้จะให้ผลลัพธ์ที่ดีที่สุด การอ่านค่าดัชนีสูงที่ผิดพลาดในรูปแบบการทำนายในขณะที่ทำการปลูกถ่ายอาจทำให้แพทย์และผู้ป่วยไม่ยอมรับการบริจาคไต. Tis stigmatizing effect ของการติดฉลากผู้บริจาคผิดพลาดไตเนื่องจาก 'คุณภาพส่วนเพิ่ม/ต่ำได้รับการบันทึกไว้แล้ว [39]
การทำนายความล้มเหลวของการรับสินบนเป็นปรากฏการณ์ที่ซับซ้อน ซึ่งเกี่ยวข้องกับคุณลักษณะของผู้บริจาค ลักษณะที่เกี่ยวข้องกับการดึงอวัยวะของผู้บริจาค คุณลักษณะของผู้รับ ลักษณะที่เกี่ยวข้องกับการปลูกถ่าย และปัจจัยหลังการปลูกถ่าย เช่น การใช้ยากดภูมิคุ้มกัน การตัดสินใจที่เกี่ยวข้องกับไตแน่นอนว่าต้องจัดสรรก่อนย้ายปลูก ดังนั้นปัจจัยขั้นตอนการปลูกถ่ายและหลังการปลูกถ่ายจึงไม่สามารถใช้ได้ในช่วงเวลาของการตัดสินใจครั้งแรกนั้น ดังนั้น แหล่งที่มาของความแปรปรวนที่ไม่ได้ถูกนำมาพิจารณาในแบบจำลองการคาดการณ์ที่มีอยู่ส่วนใหญ่ในปัจจุบัน (ดังที่แสดงโดยความสามารถในการเลือกปฏิบัติในระดับปานกลางเท่านั้น) อาจถูกปลูกถ่ายปัจจัยที่เกี่ยวข้องกับขั้นตอนหรือหลังการปลูกถ่าย นอกจากนี้ยังอาจเป็นปัจจัยของผู้บริจาคหรือผู้รับที่ไม่ได้รับการบันทึกเป็นประจำในฐานข้อมูล เช่นเดียวกับเหตุการณ์สุ่มที่คาดเดาไม่ได้ ซึ่งนำไปสู่การคาดการณ์ที่ไม่สมบูรณ์ ซึ่งหมายความว่าดัชนี C ที่สมบูรณ์แบบเท่ากับ 1 ไม่น่าจะเป็นไปได้สำหรับแบบจำลองที่ใช้ปัจจัยก่อนการปลูกถ่าย เป็นเรื่องยากที่จะรู้ว่าดัชนี C ที่ทำได้สูงสุดคืออะไร และสิ่งนี้จะต้องใช้แบบฝึกหัดการสร้างแบบจำลองแยกต่างหากซึ่งรวมถึงสมมติฐานที่ไม่สามารถตรวจสอบได้เกี่ยวกับความสำคัญของ 1) เหตุการณ์สุ่มและ 2) ตัวทำนายที่ไม่ได้วัด

CISTANCHE จะปรับปรุงการติดเชื้อในไต/ไต
แบบจำลอง Te Cox สามารถแยกแยะประเภทความเสี่ยงที่ร้ายแรงของการต่อกิ่งที่ล้มเหลวได้ (ดี vs แย่) ด้วยอำนาจในการเลือกปฏิบัติที่ดี (ดัชนี C=0.73) ดังนั้น ประโยชน์ของเครื่องมือนี้ในกลุ่มความเสี่ยงที่เกิดจากการต่อกิ่งที่รุนแรง ดีกว่าเมื่อเทียบกับกลุ่มความเสี่ยงอื่นๆ ดังนั้น การจำกัดการใช้เครื่องมือเฉพาะในกลุ่มความเสี่ยงเหล่านี้อาจให้ผลลัพธ์ที่เหนือกว่าในการปลูกถ่ายไตการตัดสินใจ เราใช้การตรวจสอบภายในที่เข้มงวด แต่การตรวจสอบภายนอกเป็นขั้นตอนสำคัญในการยอมรับดัชนีความเสี่ยงในการตัดสินใจทางคลินิก เนื่องจากการประเมินประสิทธิภาพของแบบจำลองตามการตรวจสอบภายในเพียงอย่างเดียวอาจนำไปสู่การประเมินประสิทธิภาพในแง่ดีมากเกินไป [28] นอกจากนี้ แพทย์ส่วนใหญ่อาจไม่เต็มใจที่จะใช้เครื่องมือที่ไม่ได้รับการทดสอบกับอุปกรณ์ที่แตกต่างกันไตประชากร ดังนั้นเราจึงเสนอว่าดัชนีนี้ควรได้รับการตรวจสอบจากภายนอกเพื่อประเมินความสามารถทั่วไปก่อนนำไปใช้ในการปฏิบัติทางคลินิก หากดัชนีแสดงให้เห็นความถูกต้องภายนอกที่ดี ดัชนีมีศักยภาพในการส่งต่อผู้บริจาคให้กับผู้รับที่ดีขึ้น ปรับปรุงปัจจุบันไตการจัดสรร เนื่องจากดัชนีนี้มีคุณลักษณะทั้งผู้บริจาคและผู้รับ จึงสามารถคาดการณ์ได้ว่าการจับคู่ระหว่างผู้บริจาคกับผู้รับจะมีอัตราการรอดชีวิตหลังการปลูกถ่ายสูงสุด ในบรรดาตัวเลือกที่มีอยู่
การศึกษานี้มีข้อจำกัดหลายประการ แบบจำลองการทำนายใช้เฉพาะตัวแปรที่รวบรวมโดย ANZDATA ดังนั้น เราอาจยังไม่ได้รวมรายละเอียดความเสี่ยงทั้งหมดของผู้ป่วย เราใช้เพียงสี่วิธีและวิธีการแมชชีนเลิร์นนิงอื่นๆ ที่สามารถสร้างแบบจำลองข้อมูลเวลาถึงเหตุการณ์อาจให้ผลลัพธ์ที่ดีกว่า อย่างไรก็ตาม โมเดลแมชชีนเลิร์นนิงสำหรับข้อมูลการเอาตัวรอดนั้นยังไม่ได้รับการพัฒนาอย่างดี ซึ่งจำกัดการเลือกประเภทแบบจำลองของแอปพลิเคชันที่ดีที่สุด [35]
บทสรุปโดยสรุป ดัชนีใหม่นี้จะแยกแยะผู้ป่วยที่มีความเสี่ยงสูงต่อความล้มเหลวของการปลูกถ่ายอวัยวะในระดับปานกลางได้ดี และทำให้การคาดการณ์ความล้มเหลวของการปลูกถ่ายอวัยวะมีความแม่นยำปานกลาง ดัชนีใหม่ที่มีแนวโน้มนี้มีค่าสำหรับขั้นตอนต่อไปของการตรวจสอบภายนอกเพื่อพิสูจน์การใช้งานในการตั้งค่าทางคลินิก

CISTANCHE จะปรับปรุงการทำงานของไต/ไต






