使用机器学习预测肾移植的预后因素

肾移植（KT）是终末期肾病（ESRD）最有效的治疗方式，为患者提供改善生活质量和长期生存的机会。 手术技术和免疫抑制方案的进步大大减少了术后即刻并发症和急性排斥反应。

考虑到 KT 是最常进行的器官移植，提高移植存活期可以使许多人受益。 KT 的疗效通常通过移植物功能来衡量，移植物功能是移植物长期存活的关键决定因素，也是评估移植成功的关键指标。 虽然移植后的移植功能受到一系列变量的影响——从供者和受者的特征到免疫抑制策略——这种复杂性给预测结果带来了挑战，特别是从长期来看。 传统方法，例如肾脏捐献者风险指数 (KDRI) 和 Cox 回归分析，其预测准确性不足。

由于患者变量的多方面性和围手术期治疗的个体化，移植存活的预测和预后因素的评估是复杂的。 然而，随着机器学习和先进计算分析的兴起，研究人员现在准备解码具有临床意义的复杂数据，有可能改变移植后患者的护理。 将深度学习算法融入移植领域的临床实践是一个相对新兴的领域，但正在迅速获得关注。

这项研究旨在开发能够解析大量临床数据的机器学习算法，以查明关键的预后指标，从而有可能预测 KT 接受者的生存率。 通过纳入捐赠者和接受者的基线特征，本模型致力于挖掘捐赠者和接受者资料之间的联系模式，从而深入了解可能影响术后结果的可修改因素。 通过这一点，我们寻求提供一种工具，帮助临床医生改善 KT 接受者的预后和生活质量。