Aprendizado de máquina explicável para avaliação de enxertos de doadores em transplante de fígado

Clinicamente, a avaliação dos órgãos é geralmente realizada pelos cirurgiões seniores com base na sua experiência e na inspeção visual e tátil do enxerto durante a obtenção. No entanto, está comprovado que a intuição dos cirurgiões transplantadores na avaliação do risco do doador e na estimativa da esteatose é inconsistente e geralmente imprecisa. Além disso, a avaliação do enxerto é um processo dinâmico que se refere à quantidade de fatores complexos, o que é considerado uma relação incrivelmente complicada e de natureza não linear. Infelizmente, as técnicas estatísticas clássicas em voga, como a regressão múltipla, exigem a suposição estatística de relações independentes e lineares entre variáveis ​​explicativas e de resultados, e não conseguem analisar um grande número de variáveis. Tentamos desenvolver modelos de avaliação de enxertos hepáticos prevendo a DGF pós-operatória usando diversas técnicas de ML. Em segundo lugar, o melhor modelo de previsão foi selecionado comparando o desempenho de diferentes algoritmos de IA e regressão logística. Por fim, procuramos explicar a decisão tomada pelos algoritmos de IA usando um algoritmo de visualização baseado no melhor modelo de predição, ajudando os médicos a avaliar órgãos específicos e se devem receber que possam desenvolver FTE no pós-operatório.