如果我们10年前用生存超学习者构建预测模型会怎样？

目标：本研究旨在比较根据构建肾脏移植失败预测模型所使用的建模方法（回归 vs. 机器学习）在随时间推移期间预测性能的下降情况。研究设计与设置：我们以肾脏移植失败评分(KTFS)作为基准。我们重用了其开发时的数据（DIVAT队列，n=2,169）来构建另一个预测算法，该算法采用结合（半）参数和非参数方法的生存超学习者。对于DIVAT中的两个预测模型的性能，使用内部验证进行评估。然后，在约10年后相同的地理人群中评估预测性能下降（EKiTE队列，n=2,329）。结果：在DIVAT中，超学习者的判别性优于KTFS，tAUROC为0.83（0.79-0.87），而KTFS为0.76（0.70-0.82）。尽管KTFS的判别性保持稳定，但超学习者的判别性并未如此，下降至0.80（0.76-0.83）。关于校准，生存SL在开发时高估器官移植存活率，而KTFS在10年后低估器官移植存活率。Brier分数在不同方法和时间点下相似。结论：更灵活的SL在用于拟合的群体上提供了优于Cox模型的判别性，而在应用到未来数据集（相同群体）时，两者的判别性相当。两种方法在随时间推移的校准漂移方面都存在问题。然而，仅针对开发时使用的群体进行校准的弱校准，仅适用于Cox模型，未来应考虑重新校准以纠正校准漂移。