Прогностические модели исходов LDLT (PREDICTLDLT)

Исследовательские вопросы:

1. Можно ли разработать новую предоперационную прогностическую модель на основе переменных, связанных с донором и реципиентом, с использованием Международного реестра LDLT для надежного прогнозирования исходов LDLT?
2. Как работают наиболее перспективные существующие прогностические модели для исходов LDLT при внешней валидации в Международном реестре LDLT?

Расчет размера выборки:

Размер выборки для разработки прогностической модели оценивался с использованием подхода «событий на параметр» (EPP/EPV). На основе предыдущих исследований ожидаемая частота событий ранней потери трансплантата была установлена на уровне 17,5%. Мы заранее определили 20 параметров модели (включая фиктивные переменные для категориальных предикторов и любые члены взаимодействия) и нацелились на 15 событий на параметр, чтобы снизить переобучение. Это дает минимум 300 событий, что соответствует общему размеру выборки примерно 1 715 пациентов.

Статистический анализ:

Статистические анализы будут проводиться с использованием RStudio 2024.09.1, GraphPad Prism 10.6.1 и Microsoft Excel версии 16.90.2. P <0,05 указывает на статистическую значимость.

Нормальность будет проверяться с помощью теста Шапиро-Уилка. Исходные характеристики будут разделены на основе наличия ранней потери трансплантата. Однородность дисперсий будет проверяться с помощью F-теста. Эти результаты будут представлены в таблице.

Для внешней валидации существующих прогностических моделей параметры будут вводиться в прогностические модели, что даст прогнозируемые риски. Дискриминация модели будет измеряться с помощью AUC и наклона дискриминации. Тест ДеЛонга будет использоваться для проверки различий между AUC различных прогностических моделей. Калибровка будет оцениваться путем сравнения наблюдаемой и прогнозируемой частоты событий и графически представлена калибровочными графиками.

Для разработки новой прогностической модели интересующим исходом является ранняя потеря трансплантата, определяемая как потеря трансплантата в течение 90 дней после трансплантации (бинарный исход). Для оценки индивидуального риска ранней потери трансплантата будет разработана многомерная модель логистической регрессии. Кандидаты-предикторы будут выбраны априори на основе клинической значимости, биологической правдоподобности и доступности до трансплантации, с учетом существующей литературы и мнения экспертов. Чтобы снизить риск переобучения, количество параметров модели будет ограничено примерно 20, в соответствии с подходом «событий на параметр». Процедуры выбора предикторов на основе данных будут избегаться. Внутренняя валидация будет проводиться с использованием бутстреппинга, а производительность модели будет оцениваться с точки зрения дискриминации и калибровки.

Производительность модели также будет проверена в следующих подгруппах: пол реципиента, континент проживания реципиента, показание к трансплантации печени, фактически выполненная донорская гепатэктомия и подход к донорской гепатэктомии.