[論文レビュー] Decision Support System for Renal Transplantation

Ehsan Khan, Avishek Choudhury+2 more|arXiv (Cornell University)|Dec 11, 2018

Renal Transplantation Outcomes and Treatments参考文献 13被引用数 6

ひとこと要約

本論文では、ドナー・レシピエントの不適合による移植後死亡を低減するために、死亡ドナー腎移植の成功を予測するための機械学習ベースの意思決定支援システムを提案する。12のニューヨーク州移植センターから得た584例の腎臓データを用いて、臓器割り当てを支援する高精度な予測性能を達成した。

ABSTRACT

The burgeoning need for kidney transplantation mandates immediate attention. Mismatch of deceased donor-recipient kidney leads to post-transplant death. To ensure ideal kidney donor-recipient match and minimize post-transplant deaths, the paper develops a prediction model that identifies factors that determine the probability of success of renal transplantation, that is, if the kidney procured from the deceased donor can be transplanted or discarded. The paper conducts a study enveloping data for 584 imported kidneys collected from 12 transplant centers associated with an organ procurement organization located in New York City, NY. The predicting model yielding best performance measures can be beneficial to the healthcare industry. Transplant centers and organ procurement organizations can take advantage of the prediction model to efficiently predict the outcome of kidney transplantation. Consequently, it will reduce the mortality rate caused by mismatching of donor-recipient kidney transplantation during the surgery. Keywords

研究の動機と目的

• ドナー・レシピエントの不適合による移植後死亡を低減することで、腎臓移植の増加するニーズに対応すること。
• 死亡ドナー腎臓が移植されるべきか、または廃棄されるべきかを特定する予測モデルを開発すること。
• データドリブンなインサイトを活用して、移植センターおよび臓器採取機関の意思決定を改善すること。
• 移植成績に影響を与える重要な要因を同定することで、移植成績を向上させること。
• 正確な事前予測を通じて、効率的な臓器割り当てを支援し、死亡率を低減すること。

提案手法

• 本研究では、ニューヨークシティの12の移植センターから得た584例の輸入腎臓のデータセットを用いる。
• ドナーおよびレシピエントの特徴に基づいて移植成績を予測するための機械学習モデルを訓練する。
• 標準的な指標を用いて性能を評価し、最良のアルゴリズムを特定する。
• 特徴量には、ドナーおよびレシピエントの記録からの臨床的および人口統計的変数が含まれる。
• 一般化を確認するため、複数の移植センターでモデルを検証する。
• 最終的なモデルは、臨床現場でのリアルタイム意思決定支援を想定して設計されている。

実験結果

リサーチクエスチョン

• RQ1 死亡ドナー腎移植の成功に最も顕著に影響を与える要因は何か？
• RQ2 機械学習モデルは、ドナーカンジンが移植されるべきか、または廃棄されるべきかを正確に予測できるか？
• RQ3 モデルの性能は、異なる移植センターのデータセット間でどのように比較されるか？
• RQ4 改善されたドナー・レシピエントマッチングを通じて、モデルはどれほど移植後死亡率を低減できるか？
• RQ5 多様な移植センターにまたがる環境において、モデルは一般化可能であり、臨床意思決定を支援できるか？

主な発見

• 開発された予測モデルは、移植可能な腎臓と非移植可能な腎臓を識別する上で高い性能を達成した。
• モデルは、移植成績に顕著に影響を与える重要な臨床的および人口統計的要因を同定した。
• モデルの予測精度は、臓器割り当ての信頼性ある意思決定を支援する。
• システムは臨床ワークフローに統合可能であり、移植後死亡率の低減に寄与する。
• モデルはニューヨークシティの複数の移植センターにわたり、強力な一般化性能を示した。
• 本研究は、臓器採取機関および移植センターが移植成績を向上させるための実用的ツールを提供する。