提升肝移植受者短期生存率预测能力：惩罚Cox回归、随机生存森林与XGBoost的对比分析

《BMC Medical Informatics and Decision Making》：Enhancing short-term survival prediction in liver transplant recipients: comparative analysis of penalized Cox regression, random survival forest and XGBoost

　　

摘要

背景

肝移植是治疗终末期肝病（ESLD）的最终方案，但准确预测移植后的生存率仍是一项重大挑战。

方法

本研究探讨了随机生存森林（RSF）和极端梯度提升（XGBoost）这两种机器学习模型与传统的惩罚Cox回归模型在预测肝移植受者短期生存率方面的有效性。研究分析了2,111名患者的数据，以预测其30天和90天的生存率。

结果

研究结果表明，RSF在性能上显著优于XGBoost和Cox模型，其在30天和90天生存率方面的Harrell C指数分别为0.80，而XGBoost为0.70，Cox模型则为0.72和0.69。此外，RSF在生存时间预测方面的准确性更高，30天和90天的均方根误差分别为19.08和59.94，而XGBoost分别为23.24和68.40，Cox模型则为20.96和69.64。值得注意的是，移植前的肌酐水平是被证明最重要的预后因素。

结论

这些发现表明，机器学习方法能够提高预测的准确性和可靠性，从而有助于更好地进行术后早期风险分层、术后监测以及个性化术后护理。我们建议进一步开展研究，以便在不同患者群体中验证这些结果，并不断优化预测算法。

临床试验编号

不适用。