A confounder debiasing method for RCT-like comparability enables Machine Learning-based personalization of survival benefit in living donor liver transplantation
Notice bibliographique
Résumé
Abstract Many clinical questions in medicine cannot be answered through randomized controlled trials (RCTs) due to ethical or feasibility constraints. In such cases, observational data is often the only available resource for evaluating treatment effects. To address this challenge, we have developed Decision Path Similarity Matching (DPSM), a novel machine learning (ML)-based algorithm that simulates RCT-like conditions to debias observational data. In this study, we apply DPSM to the clinical question of living donor liver transplantation (LDLT) versus deceased donor liver transplantation (DDLT), helping to identify which patients benefit most from LDLT. DPSM leverages decision paths from a Random Forest classifier to perform accurate, one-to-one matching between LDLT and DDLT recipients, minimizing confounding while retaining interpretability. Using data from the Scientific Registry of Transplant Recipients (SRTR), including 4,473 LDLT and 68,108 DDLT patients transplanted between 2002 and 2023, we trained independent Random Survival Forest (RSF) models on the matched cohorts to predict post-transplant survival. DPSM successfully reduced confounding associations between the two groups as shown by a decrease in area under the receiver operating characteristic (AUROC) from 0.82 to 0.51. Subsequently, RSF (C-index ldlt =0.67, C-index ddlt =0.74) outperformed the traditional Cox model (C-index ldlt =0.57, C-index ddlt =0.65). The predicted 10-year mean survival gain was 10.3% (SD = 5.7%). In conclusion, DPSM provides an effective approach for creating RCT-like comparability from observational data, enabling personalized survival predictions. By leveraging real-world data where RCTs are impractical, this method offers clinicians a tool for transitioning from population-level evidence to more nuanced, personalization.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,153 | 0,372 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».