[논문 리뷰] Decision Support System for Renal Transplantation

Ehsan Khan, Avishek Choudhury외 2명|arXiv (Cornell University)|2018. 12. 11.

Renal Transplantation Outcomes and Treatments참고 문헌 13인용 수 6

한 줄 요약

이 논문은 기부자-수혜자 불일치로 인한 이식 후 사망을 줄이기 위해 기부자 사망 후 신장 이식 성공 여부를 예측하기 위한 기계학습 기반 의사결정 지원 시스템을 제안한다. 뉴욕의 12개 이식 센터에서 수집한 584개의 신장 자료를 바탕으로, 이 모델은 기부자-수혜자 불일치로 인한 이식 후 사망을 줄이기 위해 기관 배분을 안내하는 데 높은 예측 성능를 달성한다.

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

연구 동기 및 목표

• 기부자-수혜자 불일치로 인한 이식 후 사망을 줄이기 위해 신장 이식의 증가 수요를 충족시키기 위해.
• 기부자 신장이 이식될 것인지 폐기될 것인지 결정하는 예측 모델을 개발하기 위해.
• 데이터 기반 통찰을 통해 이식 센터와 기관 기증 기구의 의사결정을 향상시키기 위해.
• 이식 성공에 영향을 주는 핵심 요인을 특정하여 이식 결과를 향상시키기 위해.
• 정확한 사전 이식 예측을 통해 효율적인 기관 배분을 지원하고 사망률을 감소시키기 위해.

제안 방법

• 이 연구는 뉴욕 시의 12개 이식 센터에서 수입한 584개의 신장 데이터셋을 사용한다.
• 기부자 및 수혜자의 특성에 기반하여 이식 성공 여부를 예측하기 위해 기계학습 모델을 훈련시킨다.
• 최고 성능을 보이는 알고리즘을 식별하기 위해 표준 지표를 사용하여 성능을 평가한다.
• 특성은 기부자 및 수혜자 기록의 임상 및 인구통계학적 변수를 포함한다.
• 일반화 능력을 확보하기 위해 다양한 이식 센터에서 모델을 검증한다.
• 최종 모델는 임상 현장에서 실시간 의사결정 지원을 위해 설계된다.

실험 결과

연구 질문

• RQ1 기부자 사망 후 신장 이식 성공에 가장 크게 영향을 주는 요인은 무엇인가?
• RQ2 기계학습 모델이 기부자 신장이 이식될 것인지 폐기될 것인지 정확하게 예측할 수 있는가?
• RQ3 다양한 이식 센터의 데이터셋에서 모델의 성능는 어떻게 비교되는가?
• RQ4 개선된 기부자-수혜자 매칭을 통해 모델이 이식 후 사망률을 얼마나 줄일 수 있는가?
• RQ5 다양한 이식 센터에서 일반화 가능성이 있는가? 이는 임상 의사결정 지원에 기여하는가?

주요 결과

• 개발된 예측 모델은 이식 가능과 이식 불가능한 신장을 높은 성능로 구분한다.
• 모델은 이식 성공에 크게 영향을 주는 핵심 임상 및 인구통계학적 요인을 특정한다.
• 모델의 예측 정확도는 기관 배분을 위한 신뢰할 수 있는 의사결정을 지원한다.
• 이 시스템은 임상 워크플로우에 통합되어 이식 후 사망률을 감소시킬 수 있다.
• 모델은 뉴욕 시의 여러 이식 센터에서 강력한 일반화 능력을 보여준다.
• 이 연구는 기관 기증 기구와 이식 센터가 이식 결과를 향상시키기 위한 실용적인 도구를 제공한다.