基于新型纵向 UNOS 数据集的时间事件建模评估心脏移植候选人等待清单死亡预测
应用统计
2025-07-11 v1 机器学习
摘要
目前，关于管理心脏移植候选人等待清单的决策由医生委员会基于多种因素进行，但过程仍较为粗糙。自 2018 年起，美国器官共享网络（United Network for Organ Sharing, UNOS）收集的患者、捐献者及器官的纵向数据量日益增大，越来越多的研究者关注如何利用这些数据来支持器官可用时的临床决策。在本研究中，我们对利用等待清单历史数据进行时间依赖、时间事件建模的机器学习方法进行基准测试。我们在 23,807 条患者记录上进行训练，包含 77 个变量，并评估了 1 年预测期内的生存预测与辨识能力。我们的最佳模型实现了 C-Index 为 0.94，AUROC 为 0.89，显著优于先前模型。关键预测因子与已知风险因子一致，同时也揭示了新的关联。我们的发现可支持心脏移植决策中的紧急性评估和政策优化。
引用
@article{arxiv.2507.07339,
title = {Benchmarking Waitlist Mortality Prediction in Heart Transplantation Through Time-to-Event Modeling using New Longitudinal UNOS Dataset},
author = {Yingtao Luo and Reza Skandari and Carlos Martinez and Arman Kilic and Rema Padman},
journal= {arXiv preprint arXiv:2507.07339},
year = {2025}
}
备注
To appear in the Proceedings of AMIA Annual Symposium 2025