基于机器学习的肾移植移植物存活预测模型
机器学习
2020-12-08 v1 机器学习
摘要
肾移植是终末期肾衰竭患者的最佳治疗方法。用于肾脏质量评估的主要方法是基于 Cox 回归的肾捐赠者风险指数。机器学习方法可能提供对移植结果的改进预测并辅助决策。一种流行的基于树的机器学习方法——随机森林(random forest),使用最初用于开发该风险指数的相同数据(1995–2005 年的 70,242 条观测)进行了训练与评估。在相等的 II 类错误率 10% 下,随机森林比风险指数成功多预测了 2,148 例移植。使用 Kaplan-Meier 分析对移植后长达 240 个月的随访存活结果进行预测结果分析,并证实随机森林的表现显著优于风险指数(p<0.05)。随机森林比风险指数预测出显著更多且存活时间更长的成功移植。随机森林及其他机器学习模型或可改进移植决策。
引用
@article{arxiv.2012.03787,
title = {A predictive model for kidney transplant graft survival using machine learning},
author = {Eric S. Pahl and W. Nick Street and Hans J. Johnson and Alan I. Reed},
journal= {arXiv preprint arXiv:2012.03787},
year = {2020}
}
备注
This work has been published: Pahl ES, Street WN, Johnson HJ, Reed AI. "A Predictive Model for Kidney Transplant Graft Survival Using Machine Learning." 4th International Conference on Computer Science and Information Technology (COMIT 2020), November 28-29, 2020, Dubai, UAE. ISBN: 978-1-925953-30-5. Volume 10, Number 16.10.5121/csit.2020.101609