Заболевания поджелудочной железы и терапия
Открытый доступ

Абстрактный

Прогнозирование задержки функции с помощью модели машинного обучения: улучшение долгосрочной выживаемости трансплантатов поджелудочной железы

Эмануэль Вигиа*, Луис Рамальете, Рита Рибейру, Инес Баррос, Беатрис Чумбиньо, Эдите Филипе, Ана Пенья, Луис Бишо, Ана Нобре, София Каррелья, София Корадо, Мафальда Собрал, Хорхе Ламелас, Жоау Сантос Коэльо, Уго Пинту Маркес, Паула Пико , Сусана Коста, Фернандо Родригес, Мигель Биготте Виейра, Рита Магрису, Патрисия Котовио, Фернандо Каейру, Инес Айрес6, Сесилия Силва, Франсиско Ремедио, Америко Мартин, Анибал Феррейра, Хорхе Паулино, Фернандо Ноласко

Влияние отсроченной функции трансплантата на результаты после различных трансплантаций солидных органов хорошо документировано и рассмотрено в литературе. Отсроченная функция трансплантата после различных трансплантаций солидных органов связана как с краткосрочными, так и с долгосрочными проблемами выживания трансплантата. В ретроспективном когортном исследовании, включающем 106 пациентов, мы оценили, отличается ли выживаемость трансплантата поджелудочной железы в зависимости от момента инсулинотерапии после одновременной трансплантации поджелудочной железы и почки. В результате мы стремились выявить возможные факторы риска и построить модель на основе машинного обучения, которая предсказывает вероятность дисфункции после трансплантации SPK у пациентов на основе данных нулевого дня после трансплантации, что позволяет повысить выживаемость трансплантата поджелудочной железы. Отбор признаков с помощью алгоритма Relief дал характеристики донора, возраст, причину смерти, гемоглобин, пол, дни вентиляции, дни в отделении интенсивной терапии, продолжительность остановки сердца и дыхания, а также характеристики реципиента, пол, длительный инсулин, тип диализа, время сахарного диабета, vPRA до трансплантации, количество несовпадений HLA-A и PRDI, все это способствовало прочности моделей.