Résumé - Évaluation comparative de la prédiction de la mortalité sur la liste d'attente dans la transplantation cardiaque à travers le modèle de temps jusqu'à l'événement en utilisant un nouveau jeu de données longitudinales de l'UNOS

Évaluation comparative de la prédiction de la mortalité sur la liste d'attente dans la transplantation cardiaque à travers le modèle de temps jusqu'à l'événement en utilisant un nouveau jeu de données longitudinales de l'UNOS

2025-07-09 23:51:31

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

{stat.AP,cs.LG}

L'article de recherche "Benchmarking Waitlist Mortality Prediction in Heart Transplantation Through Time-to-Event Modeling using New Longitudinal UNOS Dataset" explore les défis et les améliorations potentielles dans la prédiction de la mortalité pour les patients sur la liste d'attente de transplantation cardiaque à l'aide de modèles de temps à événement avec un nouveau jeu de données longitudinal UNOS. Les auteurs, dirigés par Yingtao Luo, ont utilisé un nouveau jeu de données de la United Network for Organ Sharing (UNOS) qui inclut des données longitudinales sur les patients, les donneurs et les organes pour construire et évaluer des modèles d'apprentissage automatique pour la prédiction de la mortalité sur la liste d'attente. **Introduction et Contexte** L'insuffisance cardiaque est une préoccupation de santé mondiale significative avec des taux de mortalité élevés. La transplantation cardiaque est une éventuelle solution de traitement, mais la mortalité sur la liste d'attente reste un problème important. Le système d'allocation cardiaque des États-Unis a évolué pour traiter ce problème, mais les modèles de prédiction de la mortalité existants sont limités par leur dépendance aux données patient statiques et par l'absence d'un point de référence standardisé pour l'évaluation. **Objectifs de l'étude et Méthodes** L'étude visait à remédier à ces limites en développant et en comparant des modèles d'apprentissage automatique qui utilisent les données patient longitudinales pour le modèle de temps à événement de la mortalité sur la liste d'attente. Les chercheurs ont formé leurs modèles sur 23 807 dossiers de patients avec 77 variables et les ont évalués pour la prédiction de la survie et la discrimination à un horizon de 1 an. **Résultats et Conclusion** L'étude a révélé que les modèles dynamiques, qui intègrent les données patient variables dans le temps, surpassent nettement les modèles statiques. Le modèle le plus performant a atteint un C-Index de 0,94 et un AUC de 0,89, nettement supérieur aux modèles précédents. Les prédicteurs clés de la mortalité sur la liste d'attente alignent avec les facteurs de risque connus tout en révélant de nouvelles associations. Ces findings peuvent soutenir l'évaluation de l'urgence et l'élaboration des politiques dans les décisions de transplantation cardiaque. **Discussion et Implications** L'étude met en lumière la valeur du modèle dynamique pour la prédiction de la mortalité sur la liste d'attente de transplantation cardiaque. L'intégration des données longitudinales permet une compréhension plus précise et plus subtile du risque patient, ce qui pourrait conduire à une meilleure prise de décision et à une réduction de la mortalité sur la liste d'attente. Cependant, l'étude met également en avant la nécessité de validations supplémentaires et de considérations concernant des facteurs tels que la qualité des données et l'interprétabilité des modèles. **Conclusions** L'étude fournit un point de référence pour la prédiction de la mortalité sur la liste d'attente de transplantation cardiaque et montre le potentiel des modèles dynamiques pour améliorer les résultats des patients. En s'appuyant sur les données longitudinales et les techniques avancées d'apprentissage automatique, l'étude pose les bases pour une prise de décision plus personnalisée et équitable dans le domaine de la transplantation cardiaque.