The Toronto Postliver Transplantation Hepatocellular Carcinoma Recurrence Calculator: A Machine Learning Approach
Notice bibliographique
Résumé
Liver transplantation (LT) listing criteria for hepatocellular carcinoma (HCC) remain controversial. To optimize the utility of limited donor organs, this study aims to leverage machine learning to develop an accurate posttransplantation HCC recurrence prediction calculator. Patients with HCC listed for LT from 2000 to 2016 were identified, with 739 patients who underwent LT used for modeling. Data included serial imaging, alpha-fetoprotein (AFP), locoregional therapies, treatment response, and posttransplantation outcomes. We compared the CoxNet (regularized Cox regression), survival random forest, survival support vector machine, and DeepSurv machine learning algorithms via the mean cross-validated concordance index. We validated the selected CoxNet model by comparing it with other currently available recurrence risk algorithms on a held-out test set (AFP, Model of Recurrence After Liver Transplant [MORAL], and Hazard Associated with liver Transplantation for Hepatocellular Carcinoma [HALT-HCC score]). The developed CoxNet-based recurrence prediction model showed a satisfying overall concordance score of 0.75 (95% confidence interval [CI], 0.64-0.84). In comparison, the recalibrated risk algorithms' concordance scores were as follows: AFP score 0.64 (outperformed by the CoxNet model, 1-sided 95% CI, >0.01; P = 0.04) and MORAL score 0.64 (outperformed by the CoxNet model 1-sided 95% CI, >0.02; P = 0.03). The recalibrated HALT-HCC score performed well with a concordance of 0.72 (95% CI, 0.63-0.81) and was not significantly outperformed (1-sided 95% CI, ≥0.05; P = 0.29). Developing a comprehensive posttransplantation HCC recurrence risk calculator using machine learning is feasible and can yield higher accuracy than other available risk scores. Further research is needed to confirm the utility of machine learning in this setting.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».