Förklarlig maskininlärning för bedömning av donatortransplantat vid levertransplantation

Kliniskt utförs organutvärdering i allmänhet av seniorkirurger baserat på deras erfarenhet och den visuella och taktiska inspektionen av transplantatet under upphandlingen. Det är dock bevisat att transplantationskirurgers intuition i utvärderingen av givarrisk och uppskattningen av steatos är inkonsekvent och vanligtvis inexakt. Dessutom är graftbedömning en dynamisk process som refererar till mängden komplexa faktorer, vilket anses vara ett otroligt komplicerat förhållande som är olinjärt till sin natur. Tyvärr kräver de klassiska statistikteknikerna på modet som multipel regression det statistiska antagandet om oberoende och linjära samband mellan förklarande och utfallsvariabler och misslyckas med att analysera ett stort antal variabler. Vi försökte utveckla levertransplantatbedömningsmodeller genom att förutsäga postoperativ DGF med hjälp av flera ML-tekniker. För det andra valdes den bästa förutsägelsemodellen genom att jämföra prestanda för olika AI-algoritmer och logistisk regression. Slutligen försökte vi förklara beslutet som togs av AI-algoritmer med hjälp av en visualiseringsalgoritm baserad på den bästa förutsägelsemodellen, vilket hjälper kliniker att utvärdera specifika organ och om de ska ta emot som kan utveckla DGF postoperativt.