DynaMELD: A Dynamic Model of End-Stage Liver Disease for Equitable Prioritization
Notice bibliographique
Résumé
ABSTRACT Liver transplantation (LT) is a life-saving intervention for patients with end-stage liver disease (ESLD). However, 12–20% of patients listed for LT will die on the waitlist. Modern risk scores used for transplant prioritization cannot encompass the full statistical heterogeneity of patients awaiting LT, disadvantaging women and patients with cholestatic liver disease. Our study objective was to implement more equitable LT prioritization via a more expressive class of statistical models to individualize risk prediction. To do so, we created DynaMELD, a deep machine learning-based model of waitlist prioritization. DynaMELD leverages a neural network to model complex interactions between covariates, and leverages the rate-of-change (velocity) of time-varying laboratory biomarkers to predict a more personalized risk of mortality or dropout. Our study cohort comprised 53,046 patients with ESLD listed for LT from 2016– 2023 from the U.S. Scientific Registry of Transplant Recipients. Using 90-day concordance to measure risk discrimination, DynaMELD achieves 90-day concordance 0.5% higher than MELD 3.0 ( p < 0.001). Using pooled group concordance (PGCI) as a measure of fairness, DynaMELD achieves a PGCI 1.2% higher for female patients ( p < 0.001), 8.3% higher for patients with primary biliary cholangitis ( p < 0.001), 7.2% higher for patients with primary sclerosing cholangitis ( p < 0.001), and 1.5% higher for patients with acute-on-chronic liver failure Grade 1 ( p < 0.001) compared to MELD 3.0. DynaMELD reclassifies members of these sub-groups into higher risk tiers, suggesting it would improve their access to organ offers. Introspecting upon DynaMELD using the method of SHapley Additive exPlanations (SHAP) values provides an individualized degree of model interpretability. Overall, DynaMELD may provide more accurate, individualized predictions of waitlist mortality or dropout to reduce inequities and fairly prioritize patients for liver transplant.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».