-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
整合供肾放射组学与围手术期临床变量的可解释CatBoost模型预测肾移植后标准结果的多中心研究
《European Journal of Medical Research》：Perioperative prediction of ideal postoperative recovery after kidney transplantation: a multicenter retrospective cohort study
【字体： 大 中 小 】 时间：2026年09月25日 来源：European Journal of Medical Research 4.8
编辑推荐：
摘要肾脏移植是治疗终末期肾病的首选方法，但术后早期预后仍存在异质性。标准结果（Textbook Outcome, TO）作为一种衡量理想术后恢复轨迹的复合指标，已成为评价手术质量的意义深远的重要标志；然而，尤其是在多中心层面，TO 的围手术期预测仍发展不足。本项回顾性多中心研
肾脏移植是治疗终末期肾病的首选方法，但术后早期预后仍存在异质性。标准结果（Textbook Outcome, TO）作为一种衡量理想术后恢复轨迹的复合指标，已成为评价手术质量的意义深远的重要标志；然而，尤其是在多中心层面，TO 的围手术期预测仍发展不足。本项回顾性多中心研究筛选了2016年至2023年间接受治疗的1141例肾移植受者，纳入了880例具有完整围手术期临床数据和术前供肾平扫CT的患者。其中1个中心作为训练队列（n = 357），2个中心作为独立外部验证队列（n = 302 和 n = 221）。收集了供受者临床变量，包括HLA错配。经过三维实质分割后，从供肾图像中提取了1316个放射组学特征。使用9种机器学习算法分别构建了仅临床、仅放射组学以及联合临床-放射组学模型。总体而言，880例受者中有432例（49.1%）达到了TO。在9种算法中，联合CatBoost模型在训练队列和两个外部验证队列中的AUC分别为0.919（95% CI 0.887–0.951）、0.817（95% CI 0.736–0.898）和0.803（95% CI 0.718–0.887），并在判别能力、校准度和临床净获益方面提供了最佳的整体平衡。重要贡献因素包括输尿管吻合类型、HLA错配、供者高血压、供者重症监护病房住院情况、供者血清肌酐和冷缺血时间。整合围手术期临床变量与术前供肾放射组学特征的可解释CatBoost模型可预测肾移植后的TO，并可为围手术期风险分层和临床决策提供支持。
肾脏移植是治疗终末期肾病的首选方法，但术后早期预后仍存在异质性。标准结果（Textbook Outcome, TO）作为一种衡量理想术后恢复轨迹的复合指标，已成为评价手术质量的意义深远的重要标志；然而，尤其是在多中心层面，TO 的围手术期预测仍发展不足。本项回顾性多中心研究筛选了2016年至2023年间接受治疗的1141例肾移植受者，纳入了880例具有完整围手术期临床数据和术前供肾平扫CT的患者。其中1个中心作为训练队列（n = 357），2个中心作为独立外部验证队列（n = 302 和 n = 221）。收集了供受者临床变量，包括HLA错配。经过三维实质分割后，从供肾图像中提取了1316个放射组学特征。使用9种机器学习算法分别构建了仅临床、仅放射组学以及联合临床-放射组学模型。总体而言，880例受者中有432例（49.1%）达到了TO。在9种算法中，联合CatBoost模型在训练队列和两个外部验证队列中的AUC分别为0.919（95% CI 0.887–0.951）、0.817（95% CI 0.736–0.898）和0.803（95% CI 0.718–0.887），并在判别能力、校准度和临床净获益方面提供了最佳的整体平衡。重要贡献因素包括输尿管吻合类型、HLA错配、供者高血压、供者重症监护病房住院情况、供者血清肌酐和冷缺血时间。整合围手术期临床变量与术前供肾放射组学特征的可解释CatBoost模型可预测肾移植后的TO，并可为围手术期风险分层和临床决策提供支持。
