Modelarea progresiei către deces la donatori după determinarea circulatorie a morții prin algoritmi de tip LightGBM

Transplantul hepatic realizat din organe donate după determinarea circulatorie a morții a devenit o componentă majoră a strategiilor de extindere a „piscinei” de donatori în Statele Unite ale Americii, în special după adoptarea din anul 2020 a unei noi politici de alocare a organelor. Studiul publicat în Lancet Digital Health, realizat în cadrul unor centre transplant din SUA, analizează utilitatea unui model de tip machine learning pentru predicția progresiei către deces la potențialii donatori, cu scopul reducerii recoltărilor inutile.
Donarea hepatică după determinarea circulatorie a morții a crescut semnificativ în Statele Unite ale Americii, însă rata de neutilizare a grefelor rămâne ridicată. Aproximativ jumătate dintre donatorii înregistrați nu evoluează către deces într-un interval compatibil cu transplantarea, ceea ce generează numeroase recoltări fără finalitate. Aceste situații, numite recoltări inutile, implică costuri operaționale mari, inclusiv mobilizarea echipelor de prelevare, rezervarea sălilor de operație, utilizarea transportului aerian și pregătirea echipamentelor avansate, cum ar fi perfuzia normotermică.

În ciuda importanței predicției momentului decesului, modelele disponibile până recent - precum scorul DCD-N sau Colorado Calculator - nu au fost validate extern în cohorte contemporane și sunt rar utilizate. Mai mult, evoluțiile tehnologice recente, inclusiv dezvoltarea unor modele automatizate capabile să analizeze date complexe, sugerează că algoritmii de tip machine learning ar putea depăși limitele abordărilor tradiționale.

Despre studiu

Designul studiului

Studiul a colectat date despre ofertele de organe de la șase centre de transplant din Statele Unite ale Americii: Stanford University, Cleveland Clinic, University of Rochester, Columbia University, University of Florida și Virginia Commonwealth University. Datele au fost obținute retrospectiv din perioada 1 decembrie 2022 – 30 iunie 2023 pentru antrenarea modelului, urmate de o validare retrospectivă pe un set distinct din perioada 1 iulie – 31 august 2023 și o validare prospectivă între 1 martie – 30 septembrie 2024.

Modelul a fost construit folosind algoritmul Light Gradient Boosting Machine, selectat după compararea cu alte tehnici precum random forest, XGBoost, CatBoost, rețele neuronale și regresie logistică. Algoritmul a fost antrenat să prezică probabilitatea progresiei către deces la 30, 45 și 60 de minute de la extubație sau de la debutul fazei agonale, definită prin diferite praguri fiziologice: saturația oxigenului de 80% sau 60%, respectiv tensiunea arterială sistolică de 80 mm Hg, 60 mm Hg sau 50 mm Hg.

Variabilele analizate

Studiul a evaluat un set extins de parametri considerați relevanți clinic:

• Sex, scor Glasgow Coma Scale, reflexe neurologice (pupilare, corneene, de tuse, de vomă, motorii)
• Statusul de respirație spontană împotriva ventilatorului
• Istoric de stop cardiac și mecanismul morții
• Utilizarea sedării, vasopresoarelor și date fiziologice inițiale și finale
• Vârsta, indicele de masă corporală, tensiunea arterială, frecvența cardiacă, gazometria arterială
• Timpul scurs de la extubație până la declararea decesului

În total, modelul a fost antrenat pe date provenite de la 1.616 donatori, validat retrospectiv pe 398 donatori și prospectiv pe 207 donatori.

Inovații metodologice

Studiul a introdus două elemente importante:

• Gestionarea directă a valorilor lipsă, LightGBM fiind capabil să proceseze eficient astfel de date.
• Dezvoltarea unui chatbot pilot capabil să extragă automat informații din textul complet al fișelor medicale online, reducând semnificativ timpul necesar pre-procesării datelor.

Rezultate

Caracteristicile donatorilor și frecvența progresiei către deces

Dintre cei 2211 donatori pentru care timpul de deces a fost disponibil:

• 927 donatori (41,9%) au decedat în 30 de minute de la extubație
• 1.077 donatori (48,7%) în 45 de minute
• 1.153 donatori (52,1%) în 60 de minute

Dintre cei 1.058 de donatori care nu au decedat în 60 de minute, procedurile de donare au fost oprite în 951 cazuri (89,9%).

Performanța modelului

Modelul LightGBM a demonstrat performanțe superioare în toate etapele de validare.

Aria de sub curbă în validarea retrospectivă (fără valori lipsă):

• 30 min: 0,834 (interval de încredere 95%: 0,772–0,891)
• 45 min: 0,819 (0,757–0,870)
• 60 min: 0,799 (0,737–0,855)

Prin comparație:

• DCD-N: 0,799 → 0,739
• Colorado Calculator: 0,694 → 0,663

Performanța s-a menținut ridicată și în prezența a până la trei valori lipsă.

Compararea cu chirurgii

Un panel de 11 chirurgi de transplant a evaluat 398 cazuri. Concordanța între predicțiile lor a fost variabilă, cu 116 cazuri clasificate ca având un nivel scăzut de acord.

În cazurile cu acord scăzut:

• Modelul LightGBM a atins o acuratețe de 0,70 (30 min) și 0,65 (45 min)
• Predicțiile chirurgilor au atins 0,52 (30 min) și 0,51 (45 min)

Rata de recoltări inutile:

• LightGBM: 0,078
• Chirurgi: 0,195
• DCD-N: 0,11
• Colorado Calculator: 0,23

Analiza SHAP și interpretabilitate

Modelul s-a bazat în mod constant pe reflexele neurologice, raportul PaO2/FiO2, valorile finale ale pH-ului sanguin și indicele de masă corporală. Spre deosebire de evaluările umane, variabilitatea importanței acestor factori a fost mult mai scăzută, sugerând o decizie algoritmică mai stabilă.

Validarea prospectivă

Ariile de sub curbă au rămas ridicate în validarea prospectivă:

• 30 min: 0,831
• 45 min: 0,812
• 60 min: 0,805

Modelul a prezentat cea mai mare acuratețe atunci când indicele de predicție era sub 30 sau peste 70, cu o fereastră crescută de incertitudine între 40 și 60.

Concluzii

Studiul demonstrează că utilizarea unui model machine learning de tip LightGBM poate îmbunătăți semnificativ acuratețea predicției progresiei către deces la donatorii după determinarea circulatorie a morții, reducând cu până la 60% recoltările inutile. Algoritmul depășește performanța modelelor existente și a judecății chirurgicale, oferind stabilitate crescută chiar și în condiții de date incomplete.

Implementarea unui astfel de model în sistemele de alocare a organelor are potențialul de a optimiza utilizarea grefelor hepatice, de a reduce povara financiară și de a sprijini deciziile clinice în timp real. Extinderea datasetelor, integrarea datelor complexe (inclusiv time-series și informații extrase automat) și adaptarea modelelor la evoluțiile tehnologice din transplantul hepatic vor reprezenta pași esențiali pentru viitoarele generații de algoritmi.