Forklarlig maskinlæring for vurdering av donortransplantasjoner ved levertransplantasjon

Klinisk, organevaluering vanligvis utført av seniorkirurger basert på deres erfaring og visuell og taktisk inspeksjon av transplantatet under anskaffelse. Imidlertid er det bevist at transplantasjonskirurgers intuisjon i evalueringen av donorrisiko og estimeringen av steatose er inkonsekvent og vanligvis unøyaktig. Dessuten er graftvurdering en dynamisk prosess som refererer til mengden av komplekse faktorer, som anses å være et utrolig komplisert forhold som er ikke-lineært av natur. Dessverre krever de klassiske statistiske teknikkene på moten som multippel regresjon den statistiske antakelsen om uavhengige og lineære forhold mellom forklarende og utfallsvariabler, og klarer ikke å analysere et stort antall variabler. Vi forsøkte å utvikle levertransplantasjonsvurderingsmodeller ved å forutsi postoperativ DGF ved å bruke flere ML-teknikker. For det andre ble den beste prediksjonsmodellen valgt ved å sammenligne ytelsen til forskjellige AI-algoritmer og logistisk regresjon. Til slutt forsøkte vi å forklare avgjørelsen tatt av AI-algoritmer ved å bruke en visualiseringsalgoritme basert på den beste prediksjonsmodellen, og hjelpe klinikere med å evaluere spesifikt organ og om de skal motta som kan utvikle DGF postoperativt.