《Frontiers in Immunology》：Clustering and predicting VCA patient populations - a machine learning approach into vascularized composite allotransplantation
编辑推荐：
背景：血管化复合组织同种异体移植（VCA）可在严重组织缺损后实现功能与外观重建，但基于数据驱动的VCA受者画像研究仍较匮乏。识别人口学与手术模式有助于优化受者筛选、项目规划及围手术期管理。方法：研究人员对器官获取与移植网络（OPTN，1998–2023）中的V
背景：血管化复合组织同种异体移植（VCA）可在严重组织缺损后实现功能与外观重建，但基于数据驱动的VCA受者画像研究仍较匮乏。识别人口学与手术模式有助于优化受者筛选、项目规划及围手术期管理。方法：研究人员对器官获取与移植网络（OPTN，1998–2023）中的VCA手术进行预处理、缺失值填补，并采用加权HDBSCAN进行聚类，分析所得簇模式、时间与地域趋势，应用ARIMA模型预测受者人口学特征。结果：在107例受者（平均年龄37±12岁；BMI 25±5 kg/m2；57%为女性）中，聚类分析确认性别与VCA类型为首要区分维度；面部（19%）与上肢（30%）移植多见于男性，子宫移植（31%）集中于UNOS区域4和10。面部VCA亚组在区域1和9形成区域簇（n=13），受者年龄较高（42±11岁）、等待时间较长（246±198天）。平衡聚类解中42%受者被判为噪声，显示人群异质性显著。时间分析示腹壁（11%）与上肢手术活动下降，ARIMA预测至2027年年龄与BMI分布稳定。结论：本研究首次基于机器学习刻画OPTN全国VCA受者人群结构；聚类框架复现了已知人群结构，同时识别出次要的区域与时间模式，密度聚类通过显式离群检测凸显受者异质性，为未来纳入免疫、结局等细粒度变量的登记研究提供可扩展框架。
研究背景与动机
血管化复合组织同种异体移植（VCA）是针对广泛不可逆组织缺损、旨在同时恢复功能与外观的“改善生命型”而非“挽救生命型”手术，涵盖面部、上肢、腹壁、子宫等术式。全球范围内截肢与严重烧伤负担沉重，但VCA临床推广受终身免疫抑制副作用、慢性排斥、高围手术期成本与随访负担制约。既有证据多停留于描述性流行病学，缺乏对国家登记数据中受者人群结构的高级分析。为优化受者筛选、识别非典型受者画像、辅助项目规划与资源分配，研究人员在《Frontiers in Immunology》报道了这项基于OPTN（Organ Procurement and Transplantation Network）STAR文件的机器学习表征研究。
主要技术方法
研究人员提取1998–2023年美国OPTN STAR文件中VCA受者数据，排除1例8岁双侧上肢儿科离群值、喉/气管移植及重复记录，最终分析队列n=107。变量涵盖性别、年龄、种族、BMI、ABO血型、等待时间、UNOS区域（映射为地理质心）及基于供受者相容性与缺血时间logistic回归导出的程序风险评分；数值变量按术式中位数填补，血型缺失设为独立“缺失”类并在距离度量中等距处理。聚类采用加权HDBSCAN（Hierarchical Density-Based Spatial Clustering of Applications with Noise），配置人口学主导、术式主导与平衡三种权重方案；稳定性以平均成员概率评估。时间趋势用移植年份箱线图探索，人口学预测采用ARIMA(p,d,q)（Autoregressive Integrated Moving Average），平稳性经ADF检验、阶数由ACF/PACF确定。整体分析于Python 3.13环境按STROBE报告。
研究结果
3.1 簇人口学
3.1.1 平衡聚类：连续与分类特征等权，n=62（58%）入簇，n=45（42%）判为噪声——反映跨人口学/医学/程序维度的真实异质性。Arm & Hand组（n=10）全男、BMI最高（28.4±3.8 kg/m2）、聚于UNOS区域11（90%）；Face-like亚组（n=15）男占87%、等待257.1±107.1天、聚于区域1与9；子宫受者再分为Uterus I（n=6，区域3为主、全A型血）与Uterus II（n=31，区域4/10为主、等待更短78.1±124.4天）。
3.1.2 人口学聚焦聚类：纯男簇n=42（平均40.0±11.9岁，BMI 26.7±5.9）与纯女簇n=57（32.4±7.8岁，BMI 24.7±3.6）；女簇以子宫移植为主聚于区域4/10，男簇混合面部/上肢聚于区域11/1。
3.1.3 术式聚焦聚类：腹壁（n=12，83%在区域3）、面部（n=20，最老41.8±13.8岁、等待最长279.4±111.2天、区域1/9）、上肢（n=32，BMI最高26.3±5.4、性别最均衡）、子宫（n=33，区域4/10、等待最短92.3±152.4天）。
3.2 簇时间分布
移植时间跨1999.1–2023.5。平衡簇中Uterus I集中于2018–2022，Arm & Hand在2000–2010上升后衰减；术式簇中面部70%集中于2009–2023的区域1/9，腹壁高峰在2002–2004后下滑，子宫为近年新增密集术式。
3.3 BMI与年龄预测
BMI序列无显著自相关，ARIMA(0,0,0)常数模型，预测稳态25–26 kg/m2；年龄序列经差分平稳，ARIMA(1,1,1)显示中期波动但无长期漂移，均值维持三十余岁至2027年。
讨论与结论翻译
讨论指出，本研究是首次将机器学习聚类用于全国多中心VCA受者登记数据的系统刻画。聚类复现了“性别+VCA类型”这一已知主结构，同时析出子宫移植聚于UNOS区域4/10、面部移植聚于区域1/9且高龄长等待等次要时空模式；42%噪声比凸显密度聚类在显式离群识别上的独特价值，可望用于未来细粒度免疫/结局变量登记研究中的非典型受者筛查与可及性差异探查。局限包括样本小、缺失填补偏倚、距离权重敏感、区域趋势或含报告偏倚、OPTN缺免疫细节（如供者特异性抗体、HLA配型、免疫抑制方案），故属人群结构分析而非免疫风险建模。
结论：本研究基于OPTN数据首次给出VCA全国受者人群的机器学习表征；聚类框架未发现全新受者类别，但成功复现已知结构并识别次要区域/时间模式，平衡解通过显式离群检测揭示显著异质性，可为未来纳入免疫与结局变量的可扩展登记分析奠基。
