A máj (vagy óangolul lifer) az emberi test legnehezebb belső szervére utal, amely csendesen működik a nap 24 órájában.

Mit csinál a máj? 500 feladatot hajt végre a szervezet egészségének megőrzése érdekében. Bármit megesznek vagy fogyasztanak, legyen szó ételről, alkoholról, gyógyszerről vagy méreganyagokról, a máj kiszűri, mondja "Hellan Kwon, M.D.", Michigani Egyetem.

Ó, várj, várj! Olvasok egy blogot a gépi tanulásról? Ha ilyen szokatlan érzésed támad, kedves barátom, légy türelmes, és kapcsold be a biztonsági övet. A következő pár percben a májátültetés innovatív ötleteinek útjára indulunk. És mennyire felfegyverkezve van az alapvető statisztikai és ML modellekkel és a 0 napos orvosi egyetemi képzéssel, potenciálisan több májbetegségben szenvedő beteget menthet meg évente!

Májátültetési probléma és a legrosszabb házirend

Egy amerikai orvosi központban:

Az Egyesült Államokban a májtranszplantációt igénylő, életveszélyes májbetegségben szenvedő betegeknek fel kell iratkozniuk egyvárólistara. Csak egy várólista van az Egyesült Államok egészére vonatkozóan, bár a 11 régió különböző egészségügyi központjaiban engedélyezett a regisztráció. Ezenkívül meg kell jegyezni, hogy a várakozási idő nem kiszámítható (egyes esetekben hetek várakozás után átültetik, néhányan még több éves várakozás után is). A várakozási idő az ország régióitól és a betegségi szinttől függően is változhat.

Mi a legbetegebb politika?

Ha a beteg betegebb, magasabb helyet kap a várólistán (elérheti a csúcsot), és korábban kerül átültetésre, ha talál egy kompatibilis májat, és még jogosult a műtétre.

És néhány további kritériumot is figyelembe veszünk a meghibásodás kockázatának csökkentése érdekében:

  • Vércsoport,
  • Testméret (pl.: nagy testhez nagyobb máj kell),
  • Földrajzi szempont (minél közelebb van az elhunyt donor májához, annál jobban megőrződik a máj),
  • ….

Szóval, ez a történet az orvostól, hogy milyen a történet az adatokból.

A statisztikai eredmények alapján egy sor kérdést vet fel számunkra:

  1. Hogyan lehet felmérni a betegség súlyosságát, hogy a listán várakozó betegeket rangsoroljuk?
  2. Hogyan allokálhatjuk hatékonyabban a májat, hogy csökkentsük a listáról váratlanul kikerült betegek számát?

MELD-Score és optimista eredmények

2002 óta az UNOS elfogadta aMELD- Scoret, hogy felmérje a betegek súlyosságát, és a várólistára helyezze őket.

  • A MELD-score jelentése Model for End-stage Liver Disease, amely a a krónikus májbetegségben szenvedő betegek túlélési esélye a következő 3 hónapban.
  • A MELD-pontszám 6 és 40 között van.
  • Minél magasabb a pontszám, annál betegebb a pozíciója a várólistán.
  • Van néhány változata: MELD, MELD-Na (nátriummal, nem hiányzó értékekkel :)), MELD-kivétel (májrák esetén,...) és PELD (gyermekbetegeknek).

A MELD pontszámok alapján pedig megjósolhatjuk a betegek 3 hónapos mortalitását:

Például egy beteg MELD pontszáma 9, ami a következő 3 hónapban a beteg halálozásának csak körülbelül 2%-át jelenti.

A MELD Score másik jellemzője, hogy a páciens 1 éves túlélési arányát is előrejelzi.

Példa: A MELD-pontszám 10, a várólistán túlélés 90%-a, de a transzplantáció után a túlélési arány 83%-ra csökken (nincs hely a beteg átültetését lehetővé tévő előnyöknek). Ám a 30-as MELD-pontszámú betegnél a transzplantáció után a túlélési arány elképesztő módon 21%-ról 71%-ra nő!

És ahogy a feltételek változnak, úgy változik a MELD pontszám is. Attól függően, hogy mennyire kritikus a betegség, az orvosok a legutóbbi MELD Score alapján új laborvizsgálatokat rendelnek el. Például 25-ös vagy magasabb MELD Score esetén: hetente, de 11–18: háromhavonta [További információ: MELD Score újraszámítása].

Szóval, sokat meséltünk erről a MELD pontszámról, de hogyan számítják ki a valóságban?

És 2002 - az a pillanat, amikor először a MELD Score segítségével rangsorolták a betegeket a várólistán, mérföldkövet jelentett az orvostudomány történetében. Ennek a pontszámnak a használata azonnal jelentős eredményeket ért el:

A MELD-alapú kiosztási rendszer azonnal sikeres volt, ami a várólistákra jelentkezők számának első ízben történő csökkentését, a várólisták halandóságának 15%-os csökkenését eredményezte, a várólistán lévőkt. - Freeman, R., Wiesner, R., Edwards, E., Harper, A., Merion, R., Wolfe, R.: Az új májelosztási terv első évének eredményei. Májátültetés, 10, 7–15 (2004)

A halandóság 15%-os csökkenése a várólistán várakozó jelöltek körében azt jelenti, hogy több mint ezer életet mentettek meg a MELD-pontszám használatának köszönhetően. !

De várjunk csak, vannak hátrányai ennek a pontszámnak? Mit várhatunk egy mindössze 4-5 paraméterből álló képlettől?

A Bili, INR, kreatinin log-transzformált értékei 1,0-nál problémásak lehetnek, mivel a várólista jelöltek nagy százaléka alacsonyabb kreatininszinttel rendelkezik, és az e küszöb alatti értékek a veseműködés különböző szintjeit tükrözhetik. (Sharma, P., Schaubel, D., Sima, C., Merion, R., Lok, A.: Re-weighting the model for end-stage liver disease score component. Gastroenterology, 135, 1574–1581 (2008) )

A MELD és az eredmény közötti összefüggés nem minden betegnél egyformán erős. Egyes betegeknél a MELD nem tükrözi pontosan az állapotuk súlyosságát.

Ezen okok miatt:

ML technikák alkalmazása

Elemezzük a főként az alábbiak használatával kapcsolatos munkát:

  • Optimális osztályozási fa [1] (Bertsimas, D., Kung, J., Trichakis, N., Wang, Y., Hirose, R., Vagefi, P.: Optimalizált fejlesztés és validáció a májátültetésre váró jelöltek halálozásának előrejelzése. Am. J. Transplantat 19, 1109–1118 (2018)
  • Logisztikus regresszió és gradiensnövelő együttesek döntési fákkal [2] (Byrd J., Balakrishnan S., Jiang X., Lipton Z.C. (2021) Predicting Mortality in Liver Transplant Candidates. In: Shaban-Nejad A., Michalowski M., Buckeridge D.L. (szerk.) Explainable AI in Computational Intelligence, 914. kötet. Springer, Cham. 6_31»)

Adatkészlet:Organ Procurement and Transplantation Network (OPTN) szabványos transzplantációs elemzési és kutatási (STAR) adatkészlet.

Cél:Annak a valószínűsége, hogy a betegek 3 hónapon belül meghalnak vagy alkalmatlanná válnak az átültetésre.

Mutató:a görbe alatti mintán kívüli terület (AUC).

Optimális osztályozási fa

Adatfelosztás: 50–20–30 a vonat-ellenőrzési teszthez.

Megfigyelések:1 618 966 megfigyelés, a függő változót 1-re állítottuk, ha a páciens a megfigyelés dátumától számított 3 hónapon belül meghalt vagy alkalmatlanság miatt eltávolították, egyébként pedig 0-ra.

Végeredmény:osztályozási fa, amely előrejelzi annak valószínűségét, hogy a beteg 3 hónapon belül meghal, vagy alkalmatlanná válik a transzplantációra.

Rövid szimulációs eredmény: A májak ezen modell alapján történő elosztása, nem pedig a Match MELD alapján, 417,96-tal (17,6%-kal) kevesebb halálozást eredményez minden évben. Ez a modell pedig a várólistákban bekövetkezett halálozások/eltávolítások számának csökkenését mutatja minden betegség súlyossági kategóriájában a MELD allokációhoz képest.

Logisztikus regresszió és gradiensnövelő együttesek döntési fákkal

Adatkészlet: várólista előzmények 2004. június 30-tól 2016-ig

Adatfelosztás: 50–25–25 a vonat-ellenőrzési teszthez.

Funkciók száma: 50 (31 ismert a regisztrációkor, 19 idővel frissítve).

Kategorikus jellemzők ➜ álváltozó, numerikus jellemzők➜ szabványosítás (nulla átlag, egységnyi eltérés az edzéskészletben).

Hiányzó értékek:

  • Numerikus idősor jellemzők: előre kitöltve az utolsó ismert értékkel
  • Egyéb számszerű hiányzó értékek: a képzési halmaz mediánja

Az előfeldolgozás után az adatok 241 oszlopból állnak.

Rövid következtetés:

  • A gradiensnövelő együttesek felülmúlják a MELD-t és a MELD-Na-t az AUC esetében:

* 0,935 (grad-boost) vs 0,831 (MELD-Na) az aznapi előrejelzéshez

* 0,834 (grad-boost) vs 0,730 (MELD-Na) a 3 hónapos előrejelzéshez

  • A demográfiai jellemzők (faj, nem stb.) és a szubjektív jellemzők eltávolítása nincs nagy hatással a modell teljesítményére

Összegzés

A donorok májának önkényes kiosztásának szakaszától kezdve óriási előrelépés történt aMELD- Score által több ezer beteg életének megmentésében. És mi, mint az ML-rajongók, nagyot léphetünk azML-modelleknek a májelosztási rendszerben való felelősségteljes alkalmazhatóságának vizsgálatában, és jobban járhatunk, ha közvetlenül optimalizáljuk a várólistás mortalitást?

A jövőbeni munka során még mindig sok vitatható kérdés vár ránk: A legbetegebb a helyes politika a máj elosztására? Az ML modellek alternatív jelöltek lehetnek erre a MELD pontszámra? Hogyan értékelhetjük a megalkotott modell tisztességességét a demográfiai jellemzők, például a nem vagy a faj tekintetében? Hogyan mérsékelhetjük az orvosok manipulálhatóságából adódó lehetséges indexek hatását ML modelljeinkben? stb.

Valószínűleg megfontolandó feladat lenne számunkra a hatalmas teret az XAI módszerek alkalmazására a felépített modellek kétszeres ellenőrzésére az orvosok által biztosított orvosi elméletekkel…

Ha érdekelnek a megmagyarázható, tisztességes és felelősségteljes ML-ről szóló egyéb bejegyzések, kövesse a "#ResponsibleML" című részt a Mediumon.

Hivatkozások