基于机器学习方法识别实体器官移植受者移植后糖尿病的通用及器官特异性预测因子

《Journal of the Endocrine Society》：Leveraging Machine Learning Methods to Predict Post-Transplant Diabetes in Solid Organ Transplant Recipients

　　

摘要

背景

移植后糖尿病（PTDM）是实体器官移植后常见的并发症，与发病率和死亡率的增加相关。本研究旨在利用机器学习方法识别PTDM的通用性和器官特异性预测因子。

材料与方法

本研究使用了2002年至2023年来自移植受者科学登记处（SRTR）的数据，研究了肝移植（n = 128,016）、肾移植（n = 360,562）、心脏移植（n = 45,505）和肺移植（n = 36,260）受者PTDM的发生风险。我们利用逻辑回归和随机森林模型对基线时各种特征进行了分析。模型性能通过受试者工作特征曲线下面积（AUROC）、Brier评分、敏感性和特异性进行评估。采用Shapley加性解释（SHAP）方法对模型进行解释并识别关键相关特征。

结果

PTDM的发病率在肾移植受者中为9.5%，在肺移植受者中最高，达20.2%。与逻辑回归相比，随机森林模型在区分能力（AUROC：0.62-0.63）和校准能力（Brier：0.124-0.156）方面表现出适度的改善。在所有模型中，年龄和BMI均为一致的预测因子。

泼尼松和环孢素维持治疗通常被发现与较高的PTDM风险相关，而霉酚酸酯（MMF）则表现为保护作用。SHAP分析揭示了复杂的非线性交互作用，并支持了已知的风险模式，如年龄增加和男性性别。

结论

我们的机器学习模型识别了器官移植受者中移植后糖尿病的共性危险因素，有助于指导移植后患者获得更优的生存预后。