Ziel eines systematischen Reviews war es, den aktuellen Wissensstand zur Vorhersagekraft von Modellen der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML) für das Transplantationsergebnis nach Nierentransplantation (NiTx) zusammenzufassen.
In dieser systematischen Übersicht wurden insgesamt 29 verschiedene überwachte ML-Modelle zur Vorhersage des Transplantatüberlebens (graft survival, GS) nach NiTx bewertet. Die Autoren stellten eine erhebliche Heterogenität in vielen Aspekten der verwendeten ML-Modelle fest, darunter das Merkmalsauswahlverfahren. Es gab auch deutliche Unterschiede hinsichtlich der verwendeten klinischen Daten, einschließlich der Anzahl der Patienten in jeder Studie und der Art der Variablen, die zur Modellerstellung verwendet wurden. In den meisten Studien nutzte man präoperative Spender- und Empfängervariablen, während nur wenige intraoperative und postoperative Prädiktoren einbezogen wurden. Viele Studien zielten auf die Vorhersage des GS ein, drei oder fünf Jahre nach der Transplantation ab und berichteten über signifikante Unterschiede in der Vorhersagefähigkeit der Modelle zu verschiedenen Zeitpunkten. Nur in einer Studie wurde die Vorhersage der „Zeit bis zum Ereignis“ untersucht.
Trotz dieser Einschränkungen zeigten MLbasierte Modelle eine signifikant höhere hierarchisch zusammengefasste Receiver-Operating-Characteristic(HSROC)-Kurve, eine höhere diagnostische Odds Ratio und eine Fläche unter der ROC(AUROC)-Kurve von 0,82, was von vielen traditionellen statistischen Modellen bisher nicht erreicht worden war. Die besten Ergebnisse für die Vorhersage hinsichtlich des GS lieferten hybride ML-Modelle, Variationen von Support Vector Machines (SVM) und „Random Forest (RF)“-basierte Modelle. Es gab auch einen signifikanten Unterschied in der Leistung von künstlichen neuronalen Netzwerken (ANNs) und baumbasierten Modellen bei der Vorhersage des GS.
Lesen Sie den ganzen Artikel
