Apprentissage automatique explicable pour l'évaluation des greffons de donneurs en transplantation hépatique

Cliniquement, évaluation des organes généralement réalisée par les chirurgiens seniors sur la base de leur expérience et de l'inspection visuelle et tactile du greffon lors du prélèvement. Cependant, il est prouvé que l'intuition des chirurgiens transplanteurs dans l'évaluation du risque du donneur et l'estimation de la stéatose est incohérente et généralement inexacte. En outre, l’évaluation de la greffe est un processus dynamique faisant référence à un nombre de facteurs complexes, considéré comme une relation incroyablement compliquée et de nature non linéaire. Malheureusement, les techniques statistiques classiques en vogue, telles que la régression multiple, nécessitent l'hypothèse statistique de relations indépendantes et linéaires entre les variables explicatives et de résultat, et ne parviennent pas à analyser un grand nombre de variables. Nous avons tenté de développer des modèles d'évaluation de greffe hépatique en prédisant le DGF postopératoire à l'aide de plusieurs techniques de ML. Deuxièmement, le meilleur modèle de prédiction a été sélectionné en comparant les performances de différents algorithmes d’IA et de régression logistique. Enfin, nous avons cherché à expliquer la décision prise par les algorithmes d'IA à l'aide d'un algorithme de visualisation basé sur le meilleur modèle de prédiction, aidant les cliniciens à évaluer un organe spécifique et à savoir s'il doit recevoir un organe susceptible de développer un DGF en postopératoire.