論文の概要: Paired Recipient-based Evaluation of Survival Prediction for Deceased Donor Kidney Transplants
- arxiv url: http://arxiv.org/abs/2608.03017v1
- Date: Tue, 04 Aug 2026 02:01:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:22.993247
- Title: Paired Recipient-based Evaluation of Survival Prediction for Deceased Donor Kidney Transplants
- Title（参考訳）: ドナー腎移植後の生存予測のペアドリードベースによる評価
- Abstract要約: 故人ドナー腎移植データに基づく生存予測モデルの構築について, SRTR (Scientific Registry of Transplant Recipients) による検討を行った。
線形モデルから深層学習モデルまで,5種類の生存予測モデルが存在することが判明した。
- 参考スコア（独自算出の注目度）: 0.6089496237595776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been significant interest in using machine learning algorithms to predict kidney transplant outcomes, such as the number of years until a graft inevitably fails. These prediction algorithms could possibly be used for pre-transplant donor-recipient matching to identify more compatible donors and recipients and thus improve post-transplant outcomes. In this study, we explore the use of survival prediction models trained on deceased donor kidney transplant data from the Scientific Registry of Transplant Recipients (SRTR). We propose a novel paired recipient-based evaluation framework that compares graft outcomes between two recipients who received kidneys from the same deceased donor, allowing us to evaluate the counterfactual benefit of changing the recipient for a certain donor. We find that five different survival prediction models, ranging in complexity from linear to deep learning-based models, all result in ~60% paired recipient-based accuracy. We further translate this accuracy into an interpretable quantity of post-transplant years gained. We also highlight major limitations of the commonly used concordance index (C-index) metric for evaluating survival prediction accuracy in this setting and demonstrate that our proposed paired recipient-based accuracy metric is more clinically relevant and better reflects real-world allocation settings.
- Abstract（参考訳）: 移植が必然的に失敗するまでの年数など、腎臓移植の結果を予測するために機械学習アルゴリズムを使用することに大きな関心が寄せられている。
これらの予測アルゴリズムは、移植前ドナー/ドナー/ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー-ドナー
本研究では,故人ドナー腎移植データに基づく生存予測モデルの使用について,SRTR(Scientific Registry of Transplant Recipients)を用いて検討した。
そこで本研究では,同じドナーから腎臓を接種した2人の受取人との移植成績を比較し,あるドナーの受取人を変えることの対効果を評価するための,ペア受取人に基づく新しい評価フレームワークを提案する。
線形モデルから深層学習モデルまで,5種類の生存予測モデルが存在することが判明した。
さらに, この精度を, 移植後数年の解釈可能な量に変換する。
また、この設定において生存予測精度を評価するためによく使われるコンコーダンス指標(C-index)の限界を強調し、提案手法がより臨床的に関連し、現実世界のアロケーション設定をより良く反映していることを示す。
関連論文リスト
- Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis [52.10284705210197]
機械学習予測器は、アロケーションに使用する場合、任意に貧弱な結果が得られることを示す。
正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を提案する。
既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。
論文 参考訳（メタデータ） (2026-06-01T12:03:22Z) - Optimizing Hard-to-Place Kidney Allocation: A Machine Learning Approach to Center Ranking [0.4893345190925178]
そこで本稿では, 中心に腎を配置するデータ駆動型機械学習によるランキングシステムを提案する。
本実験により, 提案方針は, 全腎臓に4倍, 固着腎臓に10倍のセンター数を減らした。
論文 参考訳（メタデータ） (2024-10-10T17:15:41Z) - Predicting Long-Term Allograft Survival in Liver Transplant Recipients [11.680219281917076]
移植後5年以内に肝移植患者の約20%に肝移植不全が発生する。
我々は,他の先進的生存モデルよりも優れた線形リスクスコアであるMAS(Model for Allograft Survival)を導入する。
論文 参考訳（メタデータ） (2024-08-10T04:44:36Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Penalties and Rewards for Fair Learning in Paired Kidney Exchange
Programs [4.963350442999301]
腎臓交換プログラム(英: kidney exchange program)または腎臓対寄付プログラム(英: kidney paired donation program)は、反復的、ダイナミックな取引と割り当てのメカニズムであると見なすことができる。
カナダ・キドニー・ペアド・寄付計画(Canadian Kidney Paired Donation Program)のフルスケールシミュレーションを用いて,この仮説を確認した。
腎臓交換プログラムの性能を決定する上で最も重要な要因は、患者とドナーのペアに対する正の重み付け(逆戻り)を司法的に割り当てることではない。
論文 参考訳（メタデータ） (2023-09-23T16:25:49Z) - A Transformer-Based Deep Learning Approach for Fairly Predicting
Post-Liver Transplant Risk Factors [19.00784227522497]
肝移植は、末期肝疾患患者の救命法である。
現在のスコアシステムは、90日以内に臓器を受け取らなければ患者の死亡リスクを評価する。
心血管疾患や慢性拒絶などの移植後リスク因子は移植後の合併症である。
論文 参考訳（メタデータ） (2023-04-05T22:54:26Z) - Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
肝移植は肝疾患に対して必要不可欠な治療法である。
機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。
本研究は,肝移植における移植不全予測を目的とした,公正な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-18T18:24:58Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Predicting Kidney Transplant Survival using Multiple Feature
Representations for HLAs [5.081264894734788]
本稿では,HLA情報を機械学習に基づく生存分析アルゴリズムに組み込む生体関連特徴表現を提案する。
提案したHLAの特徴表現を10万以上の移植のデータベースで評価し,予測精度を約1%向上させた。
論文 参考訳（メタデータ） (2021-03-04T20:22:47Z) - Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized
Organ Transplantation Allocation [98.43063331640538]
臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。
本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド
本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
論文 参考訳（メタデータ） (2021-01-28T01:33:21Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。