Verklaarbare machine learning voor de beoordeling van donortransplantaten bij levertransplantaties

Klinisch wordt orgaanevaluatie doorgaans uitgevoerd door ervaren chirurgen op basis van hun ervaring en de visuele en tactuele inspectie van het transplantaat tijdens de verkrijging. Het is echter bewezen dat de intuïtie van transplantatiechirurgen bij de evaluatie van het donorrisico en de inschatting van steatosis inconsistent en doorgaans onnauwkeurig is. Bovendien is transplantaatbeoordeling een dynamisch proces dat verwijst naar de hoeveelheid complexe factoren, wat wordt beschouwd als een ongelooflijk gecompliceerde relatie die niet-lineair van aard is. Helaas vereisen de klassieke statistische technieken die in zwang zijn, zoals meervoudige regressie, de statistische aanname van onafhankelijke en lineaire relaties tussen verklarende en uitkomstvariabelen, en slagen ze er niet in een groot aantal variabelen te analyseren. We hebben geprobeerd modellen voor de beoordeling van levertransplantaten te ontwikkelen door postoperatieve DGF te voorspellen met behulp van verschillende ML-technieken. Ten tweede werd het beste voorspellingsmodel geselecteerd door de prestaties van verschillende AI-algoritmen en logistische regressie te vergelijken. Ten slotte hebben we geprobeerd de beslissing van AI-algoritmen uit te leggen met behulp van een visualisatie-algoritme dat is gebaseerd op het beste voorspellingsmodel, waardoor artsen een specifiek orgaan kunnen evalueren en kunnen vaststellen of dit orgaan postoperatief DGF kan ontwikkelen.