Aprendizaje automático explicable para la evaluación de injertos de donantes en trasplantes de hígado

Clínicamente, la evaluación de órganos generalmente la realizan cirujanos experimentados en función de su experiencia y la inspección visual y táctil del injerto durante la obtención. Sin embargo, está demostrado que la intuición de los cirujanos trasplantadores en la evaluación del riesgo del donante y la estimación de la esteatosis es inconsistente y generalmente inexacta. Además, la evaluación del injerto es un proceso dinámico que se refiere a una cantidad de factores complejos, lo que se considera una relación increíblemente complicada y de naturaleza no lineal. Desafortunadamente, las técnicas estadísticas clásicas en boga, como la regresión múltiple, requieren el supuesto estadístico de relaciones independientes y lineales entre las variables explicativas y de resultado, y no analizan un gran número de variables. Intentamos desarrollar modelos de evaluación de injertos hepáticos prediciendo el DGF postoperatorio utilizando varias técnicas de ML. En segundo lugar, se seleccionó el mejor modelo de predicción comparando el rendimiento de diferentes algoritmos de IA y regresión logística. Finalmente, buscamos explicar la decisión tomada por los algoritmos de IA utilizando un algoritmo de visualización basado en el mejor modelo de predicción, ayudando a los médicos a evaluar órganos específicos y si recibirlos o no, que pueden desarrollar DGF posoperatoriamente.