Voorspellingsmodellen voor LDLT-uitkomsten (PREDICTLDLT)

Onderzoeksvragen:

1. Kan een nieuw preoperatief voorspellingsmodel, gebaseerd op donor- en ontvanger-gerelateerde variabelen, worden ontwikkeld met behulp van het Internationale LDLT-register om LDLT-uitkomsten betrouwbaar te voorspellen?
2. Hoe presteren de meest veelbelovende bestaande voorspellingsmodellen voor LDLT-uitkomsten wanneer ze extern worden gevalideerd in het Internationale LDLT-register?

Berekening van de steekproefomvang:

De steekproefomvang voor de ontwikkeling van het voorspellingsmodel werd geschat met behulp van een events-per-parameter (EPP/EPV) benadering.
Op basis van eerder onderzoek werd het verwachte gebeurtenispercentage voor vroeg falen van het transplantaat vastgesteld op 17,5%.
We hebben vooraf 20 modelparameters gespecificeerd (inclusief dummyvariabelen voor categorische voorspellers en eventuele interactietermen) en gericht op 15 gebeurtenissen per parameter om overfitting te verminderen.
Dit resulteert in een minimum van 300 gebeurtenissen, wat overeenkomt met een totale steekproefomvang van ongeveer 1.715 patiënten.

Statistische analyse:

Statistische analyses zullen worden uitgevoerd met behulp van RStudio 2024.09.1, GraphPad Prism 10.6.1 en Microsoft Excel versie 16.90.2.
P <0,05 geeft statistische significantie aan.

Normaliteit zal worden getest met behulp van de Shapiro-Wilk-test.
Baselinekenmerken zullen worden verdeeld op basis van de aanwezigheid van vroeg falen van het transplantaat.
Homogeniteit van varianties zal worden getest met behulp van de F-test.
Deze resultaten zullen worden gepresenteerd in een tabel.

Voor externe validatie van bestaande voorspellingsmodellen zullen parameters worden ingevoerd in de voorspellingsmodellen, wat resulteert in de voorspelde risico's.
Modeldiscriminatie zal worden gemeten met behulp van de AUC en de discriminatieslope.
De DeLong-test zal worden gebruikt om te testen op verschil tussen de AUC van de verschillende voorspellingsmodellen.
Calibratie zal worden geëvalueerd door de waargenomen met de voorspelde gebeurtenisfrequentie te vergelijken en grafisch weergegeven door calibratieplots.

Voor de ontwikkeling van een nieuw voorspellingsmodel is de uitkomst van belang vroeg falen van het transplantaat, gedefinieerd als transplantaatverlies binnen 90 dagen na transplantatie (binaire uitkomst).
Een multivariabele logistische regressiemodel zal worden ontwikkeld om het individuele risico op vroeg falen van het transplantaat te schatten.
Kandidaatvoorspellers zullen a priori worden geselecteerd op basis van klinische relevantie, biologische plausibiliteit en beschikbaarheid vóór transplantatie, geïnformeerd door bestaande literatuur en expertopinie.
Om het risico op overfitting te verminderen, zal het aantal modelparameters worden beperkt tot ongeveer 20, in overeenstemming met een events-per-parameter benadering.
Data-gedreven selectieprocedures voor voorspellers zullen worden vermeden.
Interne validatie zal worden uitgevoerd met behulp van bootstrapping, en modelprestaties zullen worden beoordeeld in termen van discriminatie en calibratie.

Modelprestaties zullen ook worden getest in de volgende subgroepen: geslacht van de ontvanger, continent van verblijf van de ontvanger, indicatie voor levertransplantatie, daadwerkelijk uitgevoerde donorhepatectomie en benadering van donorhepatectomie.