基于 Transformer 的深度学习方法来公平预测肝移植后风险因素

肝移植是终末期肝病患者的救命手术。肝移植有两个主要挑战：为供体寻找最佳匹配患者，以及确保不同子群体间的移植公平性。当前的 MELD 评分系统评估患者若在 90 天内未接受器官时的死亡风险。然而，供体-患者匹配还应考虑移植后风险因素，如心血管疾病、慢性排斥等，这些都是移植后常见并发症。准确预测这些风险评分仍是一项重大挑战。在本研究中，我们使用预测模型来解决上述挑战。具体而言，我们提出了一种深度学习模型来预测肝移植后的多种风险因素。通过将其表述为多任务学习问题，所提出的深度神经网络经训练可同时预测五种移植后风险，并通过利用任务平衡技术实现同等的良好性能。我们还提出了一种新颖的公平性实现算法，以确保不同子群体间的预测公平性。我们使用了 160,360 名肝移植患者的电子健康记录，包括从 1987 年至 2018 年美国肝移植记录中收集的人口统计信息、临床变量和实验室值。使用 AUROC 和 AUPRC 等多种性能指标评估了模型性能。我们的实验结果凸显了多任务模型在保持准确性的同时实现任务平衡的成功。该模型将任务差异显著降低了 39%。公平性实现算法的进一步应用大幅减少了每个风险因素中所有敏感属性（性别、年龄组和种族/民族）的公平性差异。