Zusammenfassung - Benchmarks zur Vorhersage der Sterblichkeitsrate auf Wartelisten bei Herztransplantationen über die Zeit bis zum Ereignis durch die Nutzung neuer longitudinaler UNOS-Datensätze

Benchmarks zur Vorhersage der Sterblichkeitsrate auf Wartelisten bei Herztransplantationen über die Zeit bis zum Ereignis durch die Nutzung neuer longitudinaler UNOS-Datensätze

2025-07-09 23:51:31

{"Yingtao Luo","Reza Skandari","Carlos Martinez","Arman Kilic","Rema Padman"}

{stat.AP,cs.LG}

Der Forschungsartikel "Benchmarking Waitlist Mortality Prediction in Heart Transplantation Through Time-to-Event Modeling using New Longitudinal UNOS Dataset" untersucht die Herausforderungen und potenziellen Verbesserungen bei der Vorhersage der Mortalität für Patienten auf der Warteliste für Herztransplantationen durch die Verwendung von Zeit-bis-Zeit-Ereignismodellierung mit einem neuen longitudinalen UNOS-Dataset. Die Autoren, angeführt von Yingtao Luo, nutzten ein neues Dataset des United Network for Organ Sharing (UNOS), das längsschnittliche Patientendaten, Spenderdaten und Organdaten enthält, um maschinelles Lernen zu modellieren und zu bewerten, um die Mortalität auf der Warteliste vorherzusagen. **Einleitung und Hintergrund** Herzinsuffizienz ist ein bedeutendes globales Gesundheitsproblem mit hohen Mortalitätsraten. Eine Herztransplantation ist eine potenzielle Behandlung, aber die Mortalität auf der Warteliste bleibt ein erhebliches Problem. Das US-amerikanische Herzverteilungsprogramm hat sich entwickelt, um dieses Problem zu lösen, aber bestehende Mortalitätsvorhersagemodelle sind in ihrer Abhängigkeit von statischen Patientendaten beschränkt und verfügen über keinen standardisierten Maßstab für die Bewertung. **Zielsetzung und Methoden der Studie** Ziel der Studie war es, diese Beschränkungen zu beheben, indem maschinelles Lernen entwickelt und bewertet wurde, das längsschnittliche Patientendaten für die Zeit-bis-Zeit-Ereignismodellierung der Mortalität auf der Warteliste verwendet. Die Forscher trainierten ihre Modelle auf 23.807 Patientendaten mit 77 Variablen und bewerteten sie für die Überlebensvorhersage und Differenzierung bis zu einem Zeitrahmen von einem Jahr. **Ergebnisse und Ergebnisse** Die Studie fand heraus, dass dynamische Modelle, die wechselnde Patientendaten berücksichtigen, signifikant besser abschneiden als statische Modelle. Das am besten abschneidende Modell erreichte einen C-Index von 0,94 und einen AUROC von 0,89, was den früheren Modellen erheblich überlegen war. Die wichtigsten Prädiktoren der Mortalität auf der Warteliste stimmten mit bekannten Risikofaktoren überein und enthüllten auch neue Assoziationen. Diese Ergebnisse können die Dringlichkeitsbewertung und die politische Feinabstimmung in der Entscheidungsfindung über Herztransplantationen unterstützen. **Diskussion und Implikationen** Die Studie betont den Wert dynamischer Modellierung zur Vorhersage der Mortalität auf der Herztransplantationswarteliste. Die Einbeziehung längsschnittlicher Daten bietet eine genauere und nuanciertere Verständnis der Patientengefahren und könnte zu verbesserten Entscheidungen und einer verringerten Mortalität auf der Warteliste führen. Allerdings hebt die Studie auch die Notwendigkeit weiterer Validierung und die Berücksichtigung von Faktoren wie Datenqualität und Modellverständlichkeit hervor. **Schlussfolgerungen** Die Studie stellt einen Maßstab für die Vorhersage der Mortalität auf der Herztransplantationswarteliste bereit und zeigt das Potenzial dynamischer Modellierung zur Verbesserung der Patientenergebnisse auf. Durch die Nutzung längsschnittlicher Daten und fortgeschrittener maschineller Lernmethoden legt die Studie den Grundstein für eine personalisierte und gerechtere Entscheidungsfindung in der Herztransplantation.