কিডনি গ্রাফ্ট বেঁচে থাকার পূর্বাভাস দেওয়ার জন্য একটি ঝুঁকি সূচকের বিকাশ এবং বৈধতা: কিডনি প্রতিস্থাপন ঝুঁকি সূচক
Mar 04, 2022
ভূমিকা
কিডনি প্রতিস্থাপনঅন্যদের তুলনায় একটি ভাল মানের জীবন এবং উচ্চতর বেঁচে থাকার প্রস্তাব দেয়কিডনিপ্রতিস্থাপন থেরাপি পদ্ধতি [1]. যাইহোক, বিশ্বজুড়ে স্বাস্থ্য ব্যবস্থাগুলি উচ্চ চাহিদার মধ্যে ক্রমবর্ধমান ব্যবধান পূরণ করতে লড়াই করেকিডনি প্রতিস্থাপনএবং সীমিত সরবরাহ। একটি কৌশল নির্দেশনাকিডনিসর্বাধিক দীর্ঘায়ু সহ প্রাপকদের কাছে গ্রাফ্ট, যার ফলে গ্রাফ্ট ব্যর্থতার সংখ্যা এবং কার্যকরী গ্রাফ্ট [2] এর সাথে মারা যাওয়া রোগীর সংখ্যা উভয়ই হ্রাস পায়। ঝুঁকি ভবিষ্যদ্বাণী মডেল, ট্রান্সপ্লান্টেশনের আগে গ্রাফ্ট ব্যর্থতার পূর্বাভাস, সবচেয়ে বেশি দীর্ঘায়ু সহ প্রাপকদের সাথে মিলিত হওয়ার জটিল সিদ্ধান্ত গ্রহণে ক্লিনিকাল সমর্থন এবং ব্যর্থতার কম ঝুঁকি সহ অ্যালোগ্রাফ্ট। বেশ কিছু আছেকিডনিসাহিত্যে গ্রাফ্ট রিস্ক ভবিষ্যদ্বাণী মডেল যা ক্লিনিকাল অনুশীলনে প্রমাণ-ভিত্তিক চিকিৎসা সিদ্ধান্ত গ্রহণে সহায়তা করেছে [3, 4]। দ্যকিডনিদাতা ঝুঁকি সূচক (KDRI) রাও এট আল দ্বারা তৈরি। 2009 সালে ক্লিনিকাল সিদ্ধান্ত নেওয়ার ক্ষেত্রে ব্যাপকভাবে গ্রহণ করা হয়েছে [3], এবং মার্কিন যুক্তরাষ্ট্রে ব্যবহৃত হয়কিডনিবরাদ্দ ব্যবস্থা [৫]। Te C-সূচক, যা একটি ভবিষ্যদ্বাণী মডেলের ক্ষমতাকে নির্দেশ করে যা দীর্ঘকাল বেঁচে থাকা গ্রাফ্টগুলিকে খাটো বেঁচে থাকা গ্রাফ্টগুলি থেকে বৈষম্য করতে পারে, তবে এটি 0.62, একটি মান শুধুমাত্র যুক্তিসঙ্গত বৈষম্যকে নির্দেশ করে৷ পরিসংখ্যান বা মেশিন লার্নিং পদ্ধতির উপর ভিত্তি করে অভিনব পদ্ধতিতে আরও সঠিক ভবিষ্যদ্বাণী করার সম্ভাবনা রয়েছে [6]।
মেশিন লার্নিং সাম্প্রতিক দশকগুলিতে দ্রুত বিকশিত হয়েছে এবং ইতিমধ্যেই মেডিকেল ডায়াগনস্টিকসের কিছু ক্ষেত্রে প্রয়োগ করা হয়েছে [7]। আমাদের গ্রুপের একটি সাম্প্রতিক পদ্ধতিগত পর্যালোচনা মেডিকেল সিদ্ধান্ত গ্রহণে মেশিন লার্নিং-ভিত্তিক ঝুঁকি ভবিষ্যদ্বাণী মডেলগুলির ভূমিকাকে হাইলাইট করেছে, যা আরও সঠিক দিকে নিয়ে যায়কিডনি প্রতিস্থাপনফলাফল পূর্বাভাস [8]. যদিও আমাদের পর্যালোচনায় পাওয়া গেছে, মার্কিন যুক্তরাষ্ট্রে বিকশিত মডেলগুলি ব্যতীত অন্যান্য মডেলগুলি সাধারণত 1,000 রোগীর কম নমুনার আকার থেকে নেওয়া হয়েছিল৷ অধিকন্তু, এখন পর্যন্ত বিকশিত কোনো মেশিন লার্নিং মডেলই টাইম-টু-ইভেন্ট (বেঁচে থাকা) মডেল করেনি [৮]। পরিবর্তে, অধিকাংশ ব্যর্থতা বা না বাইনারি ফলাফল ব্যবহার. যাইহোক, একটি বাইনারি পদ্ধতি একটি গ্রাফ্টকে চিকিত্সা করে যা এক বছর বেঁচে থাকা একটি গ্রাফ্টের সমান যা দুই বছরে ব্যর্থ হয়, রোগী এবং স্বাস্থ্য ব্যবস্থার জন্য সম্পূর্ণ ভিন্ন ফলাফল। এই মডেলগুলি ফলো-আপের ক্ষতির কারণ হয় না। অতএব, ভবিষ্যদ্বাণী মডেলে ইভেন্টের গতিশীলতাকে অন্তর্ভুক্ত করা ক্লিনিকাল এবং অর্থনৈতিকভাবে গুরুত্বপূর্ণ অতিরিক্ত তথ্য তৈরি করে [9]। আমাদের উদ্দেশ্য ছিল পরিসংখ্যানগত এবং মেশিন লার্নিং ভবিষ্যদ্বাণীমূলক মডেলগুলি বিকাশ এবং যাচাই করা যাতে মৃত দাতাকে অনুসরণ করা গ্রাফ্ট ব্যর্থতার পূর্বাভাস দেওয়া যায়।কিডনি প্রতিস্থাপন,অস্ট্রেলিয়া থেকে একটি বড় জাতীয় ডেটাসেটে সময়-টু-ইভেন্ট ডেটা ব্যবহার করে।
কীওয়ার্ড:ঝুঁকির পূর্বাভাস, মেশিন লার্নিং, গ্রাফ্ট ব্যর্থতা, কিডনি প্রতিস্থাপন, কিডনি
পদ্ধতিএই গবেষণার প্রোটোকলটি পিয়ার-পর্যালোচনা এবং প্রকাশিত হয়েছে [10]। সংক্ষেপে, তিনটি মেশিন লার্নিং (সারভাইভাল ট্রি[11], র্যান্ডম সারভাইভাল ফরেস্ট[12] এবং সারভাইভাল সাপোর্ট ভেক্টর মেশিন[13]) এবং একটি প্রথাগত রিগ্রেশন (কক্স রিগ্রেশন[14]) টাইম-টু-ইভেন্ট (বেঁচে থাকার সময়) মডেল ছিল উত্পন্ন এই অধ্যয়নটি পৃথক পূর্বাভাস বা রোগ নির্ণয়ের (TRIPOD) জন্য একটি মাল্টিভারিয়েবল প্রেডিকশন মডেলের স্বচ্ছ প্রতিবেদনের পদ্ধতি ব্যবহার করে রিপোর্ট করা হয়েছে[15]। স্টাডি কোহোর্ট টি ডেটা উত্স ছিল অস্ট্রেলিয়া এবং নিউজিল্যান্ড ডায়ালাইসিস এবং ট্রান্সপ্লান্ট রেজিস্ট্রি (ANZDATA)[16]। এটি ডায়ালাইসিসের ব্যাপকতা, ঘটনা এবং ফলাফল সংগ্রহ করে এবং রিপোর্ট করেকিডনি প্রতিস্থাপনঅস্ট্রেলিয়া জুড়ে রোগী। ডেটাসেটে 7,365 এর দাতা এবং প্রাপকের বৈশিষ্ট্য রয়েছেকিডনিঅস্ট্রেলিয়ায় 1লা জানুয়ারী, 2007 থেকে 31শে ডিসেম্বর, 2017 পর্যন্ত শুধুমাত্র মৃত দাতা প্রতিস্থাপন করা হয়েছে।
CISTANCHE কিডনি/রেনাল রোগের উন্নতি ঘটাবে
ফলাফলপ্রাথমিক ফলাফল ছিল প্রতিস্থাপনের তারিখ থেকে শুরু করে গ্রাফ্ট ব্যর্থতার সময়। একটি কার্যকরী গ্রাফ্টের সাথে মারা যাওয়া রোগীদের অন্তর্ভুক্ত করা হয়েছিল এবং তাদের মৃত্যুর তারিখে সঠিক সেন্সর করা হয়েছিল। অধ্যয়নের সময়কালের শেষে একটি কার্যকরী গ্রাফ্ট সহ রোগীদের 31শে ডিসেম্বর, 20১৭ তারিখে ডান-সেন্সর করা হয়েছিল৷ পঁয়ষট্টি রোগী (0.9 শতাংশ) ফলো-আপের জন্য হারিয়ে গিয়েছিলেন এবং তাদের শেষ জানা ফলো-আপ তারিখে সঠিকভাবে সেন্সর করা হয়েছিল। স্বাধীন ভেরিয়েবল আমাদের লক্ষ্য ছিল প্রি-ট্রান্সপ্লান্ট সিদ্ধান্ত গ্রহণে ব্যবহারের জন্য একটি ঝুঁকি সূচক তৈরি করা, তাই আমরা শুধুমাত্র প্রতিস্থাপনের আগে উপলব্ধ ভেরিয়েবল এবং সমস্ত রোগীর গ্রুপে ANZDATA-তে রিপোর্ট করা ভেরিয়েবলগুলি ব্যবহার করেছি। মোট, 67টি সম্ভাব্য স্বাধীন ভেরিয়েবল, প্রাপক এবং দাতা উভয়ের বৈশিষ্ট্যই চিহ্নিত করা হয়েছে[17]।
মডেল উন্নয়ননিম্নলিখিত পাঁচটি ধাপ সহ একটি অনুক্রমিক প্রক্রিয়া ছিল: ডেটা প্রস্তুতি, প্রশিক্ষণ এবং বৈধতা ডেটাসেটে ডেটা সেট বিভক্ত করা, পরিবর্তনশীল নির্বাচন, মডেল প্রশিক্ষণ এবং মডেল মূল্যায়ন (চিত্র 1)।
ধাপ 1: ডেটা প্রস্তুতি মডেল ডেভেলপমেন্টের আগে, ডেটা প্রক্রিয়া করা হয়েছিল: অনুপস্থিত মানগুলিকে চিকিত্সা করা, ডামি কোডিং ক্যাটাগরিকাল ভেরিয়েবল, এবং ক্রমাগত ভেরিয়েবল স্কেল করা। ডেটা সেটে প্রায় 500,000 ডেটা পয়েন্ট (7,365 রোগী×67 স্বাধীন ভেরিয়েবল) এবং 2.5 শতাংশ ডেটা পয়েন্ট অনুপস্থিত ছিল। বেশিরভাগ ভেরিয়েবলের (64 শতাংশ) 1 শতাংশের কম অনুপস্থিত ছিল। অনুপস্থিত মান সহ ভেরিয়েবলের জন্য, 7,365 রোগীর সম্পূর্ণ ডেটাসেট সহ R প্যাকেজ 'সিম্পুটেশন'[18] ব্যবহার করে এলোমেলো হট ডেক এবং ক্লাসিফিকেশন অ্যান্ড রিগ্রেশন ট্রিজ (CART) সহ 14টি শ্রেণীগত ভেরিয়েবল এবং 17টি অবিচ্ছিন্ন ভেরিয়েবলের জন্য একাধিক অনুযোগ ব্যবহার করা হয়েছিল। বিশেষজ্ঞের মতামতের ভিত্তিতে, 13টি শ্রেণীগত ভেরিয়েবলের অনুপস্থিত মানগুলিকে ডেটা হারিয়ে যাওয়া এড়াতে "অনুপস্থিত" এর একটি পৃথক বিভাগ নির্ধারণ করা হয়েছিল। সংখ্যাসূচক স্বাধীন ভেরিয়েবলগুলিকে ন্যূনতম-ম্যাক্স স্কেলিং ব্যবহার করে স্বাভাবিক করা হয়েছিল, ভেরিয়েবলের মধ্যে তুলনা সহজ করার জন্য তাদের একটি অনুরূপ স্কেলে রূপান্তরিত করা হয়েছিল[19]। শ্রেণীগত ভেরিয়েবলগুলি নামমাত্র বিভাগে ডামি কোড করা হয়েছিল। ডামি কোডিংয়ের পরে, স্বাধীন ভেরিয়েবলের মোট সংখ্যা ছিল 98।
ধাপ 2: প্রশিক্ষণ এবং বৈধতা ডেটাTe ডেটাসেট এলোমেলোভাবে দুটি অংশে বিভক্ত ছিল: একটি প্রশিক্ষণ ডেটাসেট এবং একটি বৈধতা ডেটাসেট৷ চারটি ভবিষ্যদ্বাণীমূলক মডেল প্রশিক্ষণের জন্য ব্যবহৃত প্রশিক্ষণ সেটটিতে 70 শতাংশ ডেটা (n=5,156) ছিল। বৈধতা সেট (n=2,209) দৃঢ়ভাবে প্রতিটি মডেলের ভবিষ্যদ্বাণী করার ক্ষমতা পরীক্ষা করার জন্য ব্যবহার করা হয়েছিল। একটি পৃথক বৈধতা সেট থাকার ফলে মডেলগুলির ভবিষ্যদ্বাণীর নির্ভুলতার আরও বাস্তবসম্মত অনুমান পাওয়া যায় এবং অতিরিক্ত ফিটিং এড়াতে সহায়তা করে।
ধাপ 3: পরিবর্তনশীল নির্বাচনমডেল-বিল্ডিং প্রক্রিয়ার একটি গুরুত্বপূর্ণ ধাপ হল উপলব্ধ স্বাধীন ভেরিয়েবলের বৃহৎ সেট (n=98) থেকে ভবিষ্যদ্বাণীকারী ভেরিয়েবলের একটি পার্সিমোনিয়াস সেট নির্বাচন করা। মডেলের মধ্যে অনেকগুলি স্বাধীন ভেরিয়েবল ঝুঁকি ওভার-ফিটিং, ফলস্বরূপ, ভবিষ্যদ্বাণী করার ক্ষমতা হ্রাস করে[20]। স্বাধীন ভেরিয়েবল নির্বাচন করতে ট্রি পদ্ধতি ব্যবহার করা হয়েছিল: 1. বিশেষজ্ঞের মতামত: বৃক্ষের অভিজ্ঞ নেফ্রোলজিস্টরা স্বাধীন ভেরিয়েবলের সম্ভাব্য সেট পর্যালোচনা করেছেন এবং ভেরিয়েবলটির ক্লিনিকাল তাৎপর্য আছে কিনা তা নির্দেশ করেছেন। মডেলের মধ্যে একটি পরিবর্তনশীল অন্তর্ভুক্ত করার জন্য কমপক্ষে দুইজন বিশেষজ্ঞের একটি চুক্তি পর্যাপ্ত বলে বিবেচিত হয়েছিল। 2. প্রধান উপাদান বিশ্লেষণ [২১] ভেরিয়েবলের মধ্যে পারস্পরিক সম্পর্কের ভিত্তিতে একটি ছোট সংখ্যক প্রধান উপাদানে রূপান্তরিত করে একটি ডেটাসেটের মাত্রিকতা হ্রাস করে। উপাদানগুলির এই সেটটি আদর্শভাবে বেশিরভাগ বৈচিত্র্য ধরে রাখে এবং তাই তথ্য হারায় না তবে কম ভেরিয়েবল ব্যবহার করে তা করে। আমরা মূল উপাদানের সংখ্যা ব্যবহার করেছি যা মূল বৈচিত্রের 90 শতাংশ ধরে রেখেছে। 3. ইলাস্টিক নেট ট্রেড-এর মডেল ft এবং জটিলতা একটি parsimonious মডেল খুঁজে পেতে. ক্রস-ভ্যালিডেশন ব্যবহার করে আদর্শ পেনাল্টি ট্রেড-অফ পয়েন্ট খুঁজে বের করার জন্য নো পেনাল্টি (রিজ রিগ্রেশন - L2) থেকে চরম পেনাল্টি (ল্যাসো রিগ্রেশন - L1) পর্যন্ত ওভার-ফিটিং এড়ানোর জন্য পেনাল্টি ব্যবহার করে মডেলের একটি পরিসর পরীক্ষা করে[22] . L1 এবং L2 মানগুলি যা ক্রস-ভ্যালিডেশনের সময় সর্বনিম্ন গড় বর্গাকার ত্রুটি তৈরি করেছিল, ইলাস্টিক নেট মডেলকে ফুট করতে ব্যবহৃত হয়েছিল। Tese পৃথক পরিবর্তনশীল নির্বাচন পদ্ধতি একা প্রয়োগ করা হয়েছিল এবং সমস্ত সম্ভাব্য সংমিশ্রণে, যেমন, বিশেষজ্ঞের মতামত একটি ইলাস্টিক নেট দ্বারা অনুসরণ করা হয়েছিল। অতএব, স্বাধীন ভেরিয়েবলের সাতটি ভিন্ন সেট তৈরি করতে মোট সাতটি পরিবর্তনশীল নির্বাচন পদ্ধতি ব্যবহার করা হয়েছিল।
ধাপ 4: মডেল প্রশিক্ষণআমরা টাইম-টু-প্রাথমিক ইভেন্ট অর্থাৎ বেঁচে থাকার ফলাফলের মডেল করার জন্য চারটি পন্থা ব্যবহার করেছি। কক্স আনুপাতিক রিগ্রেশন[14]। এই আধা-প্যারামেট্রিক মডেলটি সারভাইভাল ডেটা এবং স্বাধীন ভেরিয়েবলের মতো ফলাফলের মধ্যে সম্পর্ক অন্বেষণ করতে ব্যাপকভাবে ব্যবহৃত হয়। নির্বাচিত স্বাধীন ভেরিয়েবলের মডেলিং করার পর, শুধুমাত্র পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ (p<0.05). this="" made="" the="" model="" more="" parsimonious="" and="" also="" improved="" predictive="" power.="" survival="" tree[11].="" a="" survival="" tree="" is="" a="" tree-like="" structure,="" where="" leaves="" represent="" outcome="" variables,="" i.e.="" graft="" failure="" (1)="" or="" no="" graft="" failure="" (0),="" and="" branches="" are="" independent="" variables="" that="" influence="" the="" timing="" of="" the="" outcome.="" the="" complexity="" parameter="" was="" set="" to="" 0.00001="" and="" the="" following="" two="" hyper-parameters="" were="" regularized="" until="" the="" optimal="" tree="" was="" created:="" the="" minimum="" number="" of="" samples="" that="" must="" exist="" in="" a="" node="" in="" order="" for="" a="" split="" to="" be="" attempted,="" and="" the="" number="" of="" competitors="" splits="" retained="" in="" the="" output.="" random="" survival="" forest="" (rsf)="" [12].="" rsf="" is="" an="" ensemble="" method="" where="" numerous="" unpruned="" survival="" trees="" are="" developed="" via="" bootstrap="" aggregation[23,="" 24].="" te="" 'variable="" importance'="" was="" set="" to="" "permutation"="" and="" the="" splitting="" rule="" to="" "log-rank".="" te="" hyper-parameters,="" a="" number="" of="" variables="" to="" possibly="" split="" at="" each="" node,="" a="" number="" of="" trees="" and="" a="" minimum="" number="" of="" nodes="" were="" regularised="" to="" achieve="" the="" lowest="" out-of-bag="" prediction="" error.="" 'variable="" importance',="" a="" variable="" selection="" algorithm="" widely="" used="" in="" rsf,="" was="" used="" to="" avoid="" overfitting="" and="" to="" reduce="" the="" prediction="">
সারভাইভাল সাপোর্ট ভেক্টর মেশিন[13]। এটি রৈখিকভাবে (যেমন রৈখিক কার্নেল ফাংশন) বা অ-রৈখিকভাবে বিভাজ্য ডেটা (যেমন বহুপদী কার্নেল) সহ স্বাধীন ভেরিয়েবলের শ্রেণী তৈরি করতে হাইপারপ্লেন ব্যবহার করে[26, 27]। মডেলের পারফরম্যান্সের উপর ভিত্তি করে, সমস্ত সমর্থন ভেক্টর মেশিন মডেল একটি 'রিগ্রেশন' ধরনের সারভাইভাল সাপোর্ট ভেক্টর মেশিন মডেলের সাথে একটি লিনিয়ার কার্নেল ফাংশন ব্যবহার করে লাগানো হয়েছিল। 28টি ফলাফল প্রদানকারী চারটি ভবিষ্যদ্বাণীমূলক মডেলকে প্রশিক্ষণ ও যাচাই করতে স্বতন্ত্র ভেরিয়েবলের সাত সেট ব্যবহার করা হয়েছিল: সাতটি পরিবর্তনশীল নির্বাচন পদ্ধতি × চারটি ভবিষ্যদ্বাণীমূলক মডেল। চারটি মডেলের প্রতিটির জন্য পূর্বাভাসিত ফলাফল একটি ব্যবধান স্কেলে একটি সূচক ছিল, যা আমরা লেবেলকিডনি প্রতিস্থাপনঝুঁকি সূচক।
CISTANCHE কিডনি/রেনাল ব্যর্থতার উন্নতি ঘটাবে
ধাপ 5: মডেলের মূল্যায়নআমরা Royston এবং Altman দ্বারা প্রস্তাবিত পদ্ধতি ব্যবহার করে মডেল মূল্যায়ন [28]. মডেল কর্মক্ষমতা দুটি মেট্রিক ব্যবহার করে মূল্যায়ন করা হয়েছিল: বৈষম্য এবং ক্রমাঙ্কন। ভাল বৈষম্য সহ একটি সূচকে উচ্চ ঝুঁকির রোগীদের জন্য উচ্চ ঝুঁকির স্কোর এবং তদ্বিপরীত হওয়া উচিত। ক্রমাঙ্কন ভবিষ্যদ্বাণীর যথার্থতা পরিমাপ করে কারণ এটি সূচক থেকে পূর্বাভাসিত বেঁচে থাকার যথার্থতাকে পর্যবেক্ষণ করা ডেটাতে বেঁচে থাকার সাথে তুলনা করে। আমাদের অধ্যয়নের জন্য উদ্দেশ্য বৈষম্য ক্রমাঙ্কনের চেয়ে বেশি গুরুত্বপূর্ণ, কারণ আমাদের লক্ষ্য সিদ্ধান্ত নেওয়ার জন্য একটি গাইড প্রদান করা যা তুলনামূলকভাবে উচ্চ এবং কম ঝুঁকিপূর্ণ রোগীদের সনাক্ত করে[28]। তাই সর্বোত্তম মডেলটি কনকর্ডেন্স সূচক (সি-ইনডেক্স)[30] ব্যবহার করে বেছে নেওয়া হয়েছিল, একটি সূচক যা একটি মডেলের বৈষম্যমূলক ক্ষমতাকে মূল্যায়ন করে। Te C-সূচক রোগীর জোড়ার ভগ্নাংশ হিসাবে সংজ্ঞায়িত করা হয় যেখানে রোগীর বেঁচে থাকার সময় বেশি থাকে তার ঝুঁকির পূর্বাভাসিত স্কোরও কম থাকে। কনকর্ডেন্স পরিসীমা শূন্য এবং একের মধ্যে, উচ্চতর মান ভাল কর্মক্ষমতা নির্দেশ করে এবং 0.5 সুযোগ দ্বারা বৈষম্য নির্দেশ করে।
অ্যাপ্লিং রয়স্টন এবং অল্টম্যানের মূল্যায়ন পদ্ধতি, সেরা ফিটিং মডেলের সূচকগুলিকে চারটি গ্রুপে শ্রেণীবদ্ধ করা হয়েছিল 16 তম, 50 তম এবং 84 তম সেন্টিলে চারটি প্রাগনোস্টিক গ্রুপ: ভাল, মোটামুটি ভাল, মোটামুটি দরিদ্র এবং দরিদ্র। অসম আকারের গোষ্ঠীগুলির ব্যবহার চারটি গ্রুপ এবং একই রকম ঝুঁকি সহ গোষ্ঠীভুক্ত রোগীদের মধ্যে রোগীদের বৈষম্যকে উন্নত করেছে[28]। এই চারটি গোষ্ঠীর বেঁচে থাকাকে কাপলান-মেইয়ার প্লট ব্যবহার করে তুলনা করা হয়েছিল, যা আদর্শভাবে চারটি গোষ্ঠীর মধ্যে বেঁচে থাকার একটি বড় পার্থক্য দেখাতে হবে।
সেরা ফিটিং কক্স মডেল ব্যবহার করে ক্রমাঙ্কন দৃশ্যত মূল্যায়ন করা হয়েছিল। বুটস্ট্র্যাপ পুনরায় নমুনাগুলি প্রতিস্থাপনের পরে 3 এবং 5 বছরে পক্ষপাত-সংশোধিত পূর্বাভাসিত এবং পর্যবেক্ষণ করা গড় বেঁচে থাকার অনুমান করতে ব্যবহৃত হয়েছিল[31]। ভবিষ্যদ্বাণী করা এবং পর্যবেক্ষণ করা গড় বেঁচে থাকার মধ্যে নিখুঁত চুক্তি একটি পুরোপুরি ক্রমাঙ্কিত ভবিষ্যদ্বাণী মডেল নির্দেশ করে। সেরা ভবিষ্যদ্বাণী মডেলটি কেডিআরআই-এর ভবিষ্যদ্বাণী করার ক্ষমতার সাথে তুলনা করা হয়েছিল, যা অনেক ক্লিনিকাল সিদ্ধান্ত-নির্মাতাদের দ্বারা ব্যবহৃত বর্তমান মডেল। Te KDRI এর 14টি দাতা এবং ট্রান্সপ্লান্ট-সম্পর্কিত ভেরিয়েবল রয়েছে এবং সামগ্রিক গ্রাফ্ট ব্যর্থতার পূর্বাভাস দিতে কক্স রিগ্রেশন ব্যবহার করে তৈরি করা হয়েছিল। অ-উল্লেখযোগ্য ভেরিয়েবলের ধাপে ধাপে মুছে ফেলার ব্যবহার করে ভেরিয়েবলগুলি নির্বাচন করা হয়েছিল[3] এবং এই মডেল নির্বাচন পদ্ধতির সাহিত্যে নথিভুক্ত অনেক সীমাবদ্ধতা রয়েছে, যার মধ্যে রয়েছে সমসংখ্যা, পি-মানগুলি যা খুব ছোট এবং আত্মবিশ্বাসের ব্যবধানগুলি খুব সংকীর্ণ [32]। Te R প্রোগ্রামিং ভাষা (সংস্করণ 3.6৷{13}}), লাইব্রেরিগুলির সাথে 'সারভাইভালিজম', 'রেঞ্জার', সারভাইভাল' এবং 'এলটিআরসিট্রিস', ভবিষ্যদ্বাণীমূলক মডেলগুলি তৈরি করতে ব্যবহৃত হয়েছিল[33]।
নৈতিকতাANZDATA রেজিস্ট্রির ক্রিয়াকলাপগুলিকে রয়্যাল অ্যাডিলেড হসপিটাল হিউম্যান রিসার্চ এথিক্স কমিটি দ্বারা সম্পূর্ণ নৈতিকতার অনুমোদন দেওয়া হয়েছে। এই গবেষণাটি কুইন্সল্যান্ড ইউনিভার্সিটি অফ টেকনোলজি দ্বারা নীতিগত অনুমোদন দেওয়া হয়েছিল।
ফলাফল
বেসলাইন বৈশিষ্ট্যপ্রাপক এবং দাতাদের বৈশিষ্ট্যগুলি সারণি 1 এ রয়েছে। মোট গবেষণার নমুনায় 7,365 জন মৃত দাতা ছিলকিডনি প্রতিস্থাপন1লা জানুয়ারী, 2007 থেকে 31শে ডিসেম্বর, 2017 পর্যন্ত সম্পাদিত। দাতাদের গড় বয়স ছিল 52 বছর (ইন্টারকোয়ার্টাইল রেঞ্জ 41 থেকে 60) এবং প্রাপকদের ছিল 47 বছর (ইন্টার কোয়ার্টাইল রেঞ্জ 32 থেকে 58)। সংখ্যাগরিষ্ঠ ছিল পুরুষ (63 শতাংশ)। প্রায় 87 শতাংশ গ্রাফ্ট ছিল প্রাথমিক গ্রাফ্ট।
পরিবর্তনশীল নির্বাচন তেরে 98টি সম্ভাব্য স্বাধীন ভেরিয়েবল ছিল। সারণি 2 স্বাধীন ভেরিয়েবলের একটি উপসেট নির্বাচন করার জন্য তিনটি পদ্ধতির ফলাফলের সংক্ষিপ্ত বিবরণ দেয় যা অত্যধিক ফিট হয়নি, যার ফলে সাতটি স্বতন্ত্র ভেরিয়েবলের সেট রয়েছে। বিশেষজ্ঞের মতামত স্বাধীন ভেরিয়েবলকে 40 ভেরিয়েবলে কমিয়েছে, যখন ইলাস্টিক নেট এটিকে 46 ভেরিয়েবলে কমিয়েছে। তিনটি পরিবর্তনশীল নির্বাচন পদ্ধতির প্রয়োগ 98টি সম্ভাব্য ভেরিয়েবলকে 23টি প্রধান উপাদানে কমিয়ে দিয়েছে। এই সাতটি স্বতন্ত্র ভেরিয়েবলের প্রতিটি সেট মডেলগুলিকে প্রশিক্ষণ এবং পরীক্ষা করার জন্য ব্যবহৃত হয়েছিল। মডেল বিল্ডিংয়ের সময়, কক্স এবং আরএসএফ-এ স্বাধীন ভেরিয়েবলগুলিকে আরও হ্রাস করা হয়েছিল শুধুমাত্র পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ (p<0.05) and="" including="" only="" those="" with="" positive="" 'variable="" importance'="" (a="" variable="" selection="" algorithm="" used="" in="" rsf),="" respectively.="" model="" development="" and validation="" te="" predictive="" performance="" of="" the="" models="" is="" compared="" in="" table 3.="" cox="" proportional="" regression="" and="" rsf="" outperformed="" the="" other="" two="" models="" (i.e.="" survival="" tree="" and="" support="" vector="" machine).="" the="" highest="" c-index="" (0.67)="" was="" from="" a="" cox="" proportional="" regression="" model="" which="" used="" expert="" opinion="" as="" the="" variable="" selection="" method="" and="" rsf="" which="" used="" the="" elastic="" net="" as="" the="" variable="" selection="" method.="" a="" c-index="" of="" 0.67="" indicates="" the="" moderate="" discriminative="" ability="" of="" death-censored="" graft="" failure.="" the="" discriminative="" ability="" of="" kdri="" in="" discriminating="" death-censored="" graft="" failure="" was="" 0.53,="" a="" lower="" prediction="" ability="" than="" our="" two="" best="" models.="" the="" cox="" model="" used="" 7="" independent="" variables="" while="" the="" rsf="" used="" 20="" variables="" (table 4).="" since="" the="" cox="" model="" was="" able="" to="" produce="" the="" same="" discriminatory="" power="" with="" a="" lower="" number="" of="" variables,="" it="" was="" considered="" as="" the="" best="" fitting="">
সেরা ফিটিং কক্স মডেলদাতার বয়স যেহেতু গ্রাফ্ট বেঁচে থাকার একটি শক্তিশালী ভবিষ্যদ্বাণী, তাই বয়সের একটি নন-লিনিয়ার রূপান্তর (লগ বেস 2) মডেলটিতে যুক্ত করা হয়েছিল। এটি সি-ইনডেক্স শুধুমাত্র 0 বৃদ্ধি করেছে৷{11}}03. আমরা মধ্যম দাতা (45 বছর) এবং প্রাপকের বয়স (50 বছর) এ সূচকটি স্কেল করেছি। কক্স মডেলের সূচকটি চিত্র 2-এ দেখানো হিসাবে গণনা করা হয়েছে। একটি ওয়েইবুল মডেল, যা ধরে নেয় যে বিপদ সময়-নির্ভর[34], এটিও একটি বিকল্প হিসাবে লাগানো হয়েছিল। যাইহোক, সি-ইনডেক্স 0.0014 দ্বারা হ্রাস করা হয়েছিল, বৈষম্য বাড়েনি, এবং তাই আমরা কক্স মডেল রেখেছি। ডোনার হাইপারটেনশন (HR 1.43; 95 শতাংশ CI 1.16 থেকে 1.76) পলিসিস্টিক থাকার সময় বিপদ বাড়িয়ে দেয়কিডনীর রোগযেহেতু প্রাথমিক রেনাল ডিজিজ ব্যর্থতার ঝুঁকি হ্রাস করেছে (HR {{0}}.66; 95 শতাংশ CI 0.48 থেকে 0.91) (সারণী 5)।
সামগ্রিক রোগীদের সূচকের বন্টন দেখায় যে ঝুঁকি গ্রুপের স্কোর, "ভাল" (< 16th="" centile)="" and="" "fairly="" good"="" (16th–50th="" centile),="" have="" a="" narrow="" separation,="" whereas="" the="" other="" two="" categories="" ("fairly="" poor"="" and="" "poor")="" are="" clearly="" separated="" (supplementary="" figure ="" 1).="" this="" indicates="" that="" the="" cox="" model="" does="" better="" at="" separating="" the="" higher="" risk="" groups.="" the="" cox="" model="" was="" able="" to="" discriminate="" the="" extreme="" categories="" of="" graft="" failure="" risk="" (good="" vs="" poor)="" with="" good="" discriminative="" power="" (c-index="0.73)." discrimination="" between="" other="" groups="" was="" moderate="" (c-index="">0.6) (সারণী 6)। Kaplan-Meier বেঁচে থাকার বক্ররেখা ডেথ সেন্সর দেখাচ্ছেকিডনিচারটি ঝুঁকি গোষ্ঠীর জন্য গ্রাফ্ট ব্যর্থতা চিত্র 3-এ রয়েছে। যেহেতু ঝুঁকি গোষ্ঠীগুলি "ভাল" থেকে "দরিদ্র"-এ চলে যায়, বেঁচে থাকার বক্ররেখাগুলি গ্রাফ্ট ব্যর্থতার একটি চিহ্নিত বর্ধিত ঝুঁকি প্রদর্শন করে। তদ্ব্যতীত, "ভাল" গোষ্ঠীর সাথে তুলনা করে, গ্রুপগুলি "মোটামুটি ভাল" থেকে "দরিদ্র"-এ চলে যাওয়ায়, প্রশিক্ষণ এবং বৈধতা ডেটাসেট উভয় ক্ষেত্রেই বিপদের অনুপাত বৃদ্ধি পায় (সারণী 7)। এই ফলাফলগুলি দেখায় যে সূচকের ভাল বৈষম্যমূলক শক্তি রয়েছে[28]।
3-বছর এবং 5-বছরের গড় প্রকৃত বেঁচে থাকার সাথে তুলনা করে গড় আনুমানিক বেঁচে থাকা চিত্র 4-এ প্লট করা হয়েছে। একটি পুরোপুরি ক্যালিব্রেটেড মডেলে, ডেটা পয়েন্টগুলি ড্যাশড লাইন (নিখুঁত ভবিষ্যদ্বাণী লাইন) বরাবর থাকবে। , নিখুঁত ভবিষ্যদ্বাণী নির্ভুলতা নির্দেশ করে। গড় প্রকৃত বেঁচে থাকার হার 3 এবং 5 উভয় বছরেই পূর্বাভাসিত বেঁচে থাকার চেয়ে ধারাবাহিকভাবে কম। যাইহোক, উভয় সময়কালে নিখুঁত প্রাক-ভাষণের লাইন এবং ভবিষ্যদ্বাণী লাইনের মধ্যে ব্যবধান কমে যায় যখন পূর্বাভাসিত বেঁচে থাকা বাড়তে থাকে। সামগ্রিকভাবে, কক্স মডেল ভবিষ্যদ্বাণীর সঠিকতা একটি মাঝারি স্তর দেখায়।
আলোচনা
আমাদের গবেষণায় রোগীদের একটি বৃহৎ নমুনা ব্যবহার করে গ্রাফ্ট ব্যর্থতার পূর্বাভাস দেওয়ার জন্য একটি ঝুঁকির পূর্বাভাস মডেল তৈরি করা হয়েছে। আমরা পরিসংখ্যানগত এবং মেশিন লার্নিং পদ্ধতি ব্যবহার করে চারটি সম্ভাব্য ভবিষ্যদ্বাণী মডেল বিশ্লেষণ করেছি। সেরা মডেলটি ছিল একটি কক্স রিগ্রেশন ঝুঁকি ভবিষ্যদ্বাণী মডেল, যা শুধুমাত্র সাতটি স্বাধীন ভেরিয়েবল ব্যবহার করে একটি মাঝারি স্তরের বৈষম্য এবং ভবিষ্যদ্বাণীর নির্ভুলতার সাথে মৃত্যু-সেন্সর করা গ্রাফ্ট ব্যর্থতার পূর্বাভাস দিতে পারে। বর্তমান সূচকের বৈষম্যমূলক শক্তি বর্তমানে উপলব্ধ গ্রাফ্ট-ব্যর্থতার ঝুঁকি পূর্বাভাস মডেলগুলির বেশিরভাগকে ছাড়িয়ে গেছে।
ঝুঁকির পূর্বাভাস মডেলটি প্রি-ট্রান্সপ্লান্ট সিদ্ধান্ত গ্রহণে ব্যবহার করার জন্য তৈরি করা হয়েছিল (যেমন।কিডনিবরাদ্দ), তাই শুধুমাত্র প্রতিস্থাপনের আগে উপলব্ধ ভেরিয়েবলগুলিকে স্বাধীন পরিবর্তনশীল হিসাবে বিবেচনা করা হত। আমরা একটি পার্সিমোনিয়াস মডেল তৈরি করতে অভ্যন্তরীণ বৈধতা ব্যবহার করেছি কারণ প্রচুর সংখ্যক স্বাধীন ভেরিয়েবল ব্যবহার করে সহজেই খারাপভাবে পারফরম্যান্সকারী মডেলগুলি তৈরি করতে পারে যা ওভারফিটিং [35] এর কারণে সাধারণীকরণযোগ্য নয়। ধাপে ধাপে পরিবর্তনশীল নির্বাচন, একটি সাধারণভাবে ব্যবহৃত পরিবর্তনশীল নির্বাচন পদ্ধতি যা কেডিআরআই বিকাশের জন্য ব্যবহার করা হয়েছিল, এটি একটি অস্থির পদ্ধতি যা এমন মডেল তৈরি করতে পারে যা বাহ্যিক বৈধকরণে খারাপ কাজ করে [২৮]। বিশেষজ্ঞ মতামত এবং পরিসংখ্যানের সমন্বয়ে চিহ্নিত বর্তমান গবেষণায় সাতটি ভিন্ন পরিবর্তনশীল নির্বাচন সমন্বয়ের ব্যবহার সনাক্ত করতে সাহায্য করেছে
সবচেয়ে গুরুত্বপূর্ণ ভেরিয়েবল যা তথ্যের বেশিরভাগ বৈচিত্র ব্যাখ্যা করে। একটি পার্সিমোনিয়াস মডেলের ফলে একটি সূচক তৈরি হয় যা ক্লিনিকাল সেটিংয়ে ব্যবহার করা সহজ। চূড়ান্ত সেরা কক্স মডেলের সাতটি ভেরিয়েবল রয়েছে, যা সর্বাধিক ব্যবহৃত গ্রাফ্ট ব্যর্থতার ঝুঁকি ভবিষ্যদ্বাণী মডেলগুলিতে ব্যবহৃত ভেরিয়েবলের সংখ্যার চেয়ে কম [৩, ৩৬]।
কক্স মডেল গবেষণায় ব্যবহৃত তিনটি মেশিন লার্নিং পদ্ধতিকে ছাড়িয়ে গেছে। সাহিত্যের একটি পর্যালোচনা ইঙ্গিত দেয় যে ভবিষ্যদ্বাণীর নির্ভুলতা মিশ্র ফলাফল প্রদান করে যখন মেশিন লার্নিং এবং ঐতিহ্যগত ভবিষ্যদ্বাণীমূলক পদ্ধতিগুলি তুলনা করা হয় [8]। বর্তমান গবেষণায় দুটি গাছ-ভিত্তিক মেশিন লার্নিং পদ্ধতি ব্যবহার করা হয়েছে এবং আমাদের ডেটাতে এই পদ্ধতিগুলির দুর্বল কার্যকারিতা একটি ইঙ্গিত হতে পারে যে ডেটার অন্তর্নিহিত গাছের কাঠামো নেই, যেখানে ফলাফলগুলি বাইনারি বিভাজন দ্বারা নির্ধারিত হয়। বরং গ্রাফ্ট বেঁচে থাকার ঝুঁকি ক্রমাগত ভবিষ্যদ্বাণীকারীদের উপর নির্ভর করতে পারে, যেমন বয়স।
আমাদের মডেলটি ডেথ-সেন্সর করা গ্রাফ্ট ব্যর্থতার পূর্বাভাস দেওয়ার জন্য তৈরি করা হয়েছিল, যেখানে সামগ্রিক গ্রাফ্ট ব্যর্থতার মধ্যে গ্রাফ্ট ব্যর্থতার পাশাপাশি একটি কার্যকরী গ্রাফ্ট সহ মৃত্যুর সংমিশ্রণ অন্তর্ভুক্ত রয়েছে। প্রদত্ত দাতার বেঁচে থাকার জ্ঞানকিডনিপ্রি-ট্রান্সপ্লান্ট সিদ্ধান্ত গ্রহণে সামগ্রিক গ্রাফ্ট ব্যর্থতার চেয়ে বেশি গুরুত্বপূর্ণ [2]। আমাদের গবেষণায়, মৃত্যু-সেন্সরকৃত গ্রাফ্ট ব্যর্থতার সি-সূচক ছিল 0.67৷ ক্লেটন এট আল। ইউএস কেডিআরআই বৈধ করেছে, অস্ট্রেলিয়ান ডেটা ব্যবহার করে [২], এবং বৈষম্যমূলক মৃত্যু-সেন্সরযুক্ত সি-সূচক
গ্রাফ্ট ব্যর্থতা ছিল {{0}}.63 যা এখানে প্রাপ্ত ফলাফলের তুলনায় কম বৈষম্য। যাইহোক, KDRI-তে ট্রান্সপ্ল্যান্ট এবং প্রাপক উভয় বৈশিষ্ট্যের অন্তর্ভুক্তি (মোট স্বাধীন ভেরিয়েবল 24) ক্লেটন এট আল-এ ডেথ-সেন্সরড গ্রাফ্ট ব্যর্থতার সি-সূচককে 0.70-এ বাড়িয়েছে। অধ্যয়ন. এই লেখকরা ক্রমাঙ্কন (ভবিষ্যদ্বাণীর নির্ভুলতা) মূল্যায়ন করেননি, যা আমাদের অধ্যয়নের ফলাফলের সাথে একটি ব্যাপক তুলনাকে বাধা দেয়। আমাদের সেরা মডেলের 24টি ভেরিয়েবলের জন্য 0.70-এর সি-ইনডেক্সের তুলনায় মাত্র সাতটি ভেরিয়েবলের জন্য 0.67-এর সি-ইনডেক্স রয়েছে এবং চিকিত্সকরা সঠিকতার এই ছোট বৃদ্ধিটিকে জটিলতা বৃদ্ধির মূল্য নয় বলে দেখতে পারেন। অনেকগুলি ভেরিয়েবল সহ ভবিষ্যদ্বাণী মডেলগুলি আরও যৌক্তিকভাবে কঠিন কারণ তাদের আরও ডেটা সংগ্রহের প্রয়োজন হয় এবং শুধুমাত্র একটি অনুপস্থিত পরিবর্তনশীল মানে ভবিষ্যদ্বাণীটি অনুমান করা যায় না।
অধিকন্তু, বর্তমান সূচকের বৈষম্যমূলক শক্তি পূর্বে বর্ণিত KDRI সহ বর্তমানে উপলব্ধ আরও কয়েকটি সূচককে ছাড়িয়ে গেছে। কাসিস্কে এট আল। (2010), 11টি দাতা এবং প্রাপক ভেরিয়েবল সহ একটি সূচক তৈরি করেছে, যা প্রতিস্থাপনের আগে উপলব্ধ ছিল, এবং এটির একটি সি-সূচক ছিল 0.649 [37]। 2018 সালে মোলনার এট আল-এর একটি সাম্প্রতিক সূচকে, গ্রাফ্ট ব্যর্থতার উচ্চ-ঝুঁকির রোগীদের বৈষম্যের ক্ষেত্রে 0.63 এর সি-সূচক ছিল। এই সূচকটি 10 দাতা এবং প্রাপকের বৈশিষ্ট্য ব্যবহার করেছে [38]। অতএব, এই কাগজে বর্ণিত সূচকটি কম ভেরিয়েবলের সাথে উচ্চতর বৈষম্যমূলক শক্তি অর্জন করতে সক্ষম হয়েছিল। যাইহোক, আমাদের অবশ্যই বিবেচনা করতে হবে যে বরাদ্দের উদ্দেশ্যে একটি মাঝারি বৈষম্যমূলক ক্ষমতা (C-index 0.67) সহ একটি সূচক ব্যবহার করে একটি ভবিষ্যদ্বাণী গ্রহণযোগ্য কিনাকিডনি, যেহেতু মডেলটি নিখুঁত সি-ইনডেক্স 1 থেকে অনেক দূরে, মানে আমরা
নিশ্চিত হতে পারে না যে ভবিষ্যদ্বাণীকৃত বরাদ্দগুলি সর্বোত্তম ফলাফল দেবে৷ ট্রান্সপ্লান্টের সময় ভবিষ্যদ্বাণী মডেলে একটি মিথ্যা উচ্চ সূচক পড়া চিকিত্সক এবং সেইসাথে রোগীকে একজন দাতাকে গ্রহণ করতে নিরুৎসাহিত করতে পারে।কিডনি. এটি ভুলভাবে একজন দাতাকে লেবেল করার কলঙ্কজনক প্রভাবকিডনিহিসাবে 'প্রান্তিক/নিম্ন মানের ইতিমধ্যে নথিভুক্ত করা হয়েছে [৩৯]।
গ্রাফ্ট ব্যর্থতার পূর্বাভাস একটি জটিল ঘটনা, যার মধ্যে দাতার বৈশিষ্ট্য, দাতার অঙ্গ পুনরুদ্ধারের সাথে সম্পর্কিত বৈশিষ্ট্য, প্রাপকের বৈশিষ্ট্য, প্রতিস্থাপনের সাথে সম্পর্কিত বৈশিষ্ট্য এবং ইমিউনোসপ্রেশন ওষুধের ব্যবহারের মতো পোস্ট-ট্রান্সপ্লান্টেশন বিষয়গুলি জড়িত। সম্পর্কিত সিদ্ধান্তকিডনিবরাদ্দ, অবশ্যই, প্রতিস্থাপনের আগে করা উচিত; তাই, প্রাথমিক সিদ্ধান্ত নেওয়ার সময় ট্রান্সপ্লান্ট পদ্ধতিগত এবং পোস্ট-ট্রান্সপ্লান্ট ফ্যাক্টর উপলব্ধ নেই। অতএব, পরিবর্তনশীলতার উৎস যা বর্তমানে উপলব্ধ ভবিষ্যদ্বাণী মডেলগুলির অধিকাংশের জন্য হিসাব করা হয় না (যেমন তাদের বৈষম্যমূলক ক্ষমতার একমাত্র মাঝারি স্তরের দ্বারা প্রদর্শিত হয়) প্রতিস্থাপিত পদ্ধতিগত বা পোস্ট-ট্রান্সপ্লান্ট-সম্পর্কিত কারণ হতে পারে। এগুলি দাতা বা প্রাপক কারণও হতে পারে যা নিয়মিতভাবে ডেটাবেসে ক্যাপচার করা হয় না, সেইসাথে অপ্রত্যাশিত স্টোকাস্টিক ইভেন্ট, যা অপূর্ণ ভবিষ্যদ্বাণীর দিকে পরিচালিত করে। এর মানে হল যে 1 এর একটি নিখুঁত সি-ইনডেক্স প্রি-ট্রান্সপ্লান্টেশন ফ্যাক্টর ব্যবহার করে একটি মডেলের জন্য সম্ভবত অসম্ভব। সর্বোচ্চ অর্জনযোগ্য সি-সূচকটি কী তা জানা কঠিন, এবং এর জন্য একটি পৃথক মডেলিং অনুশীলন প্রয়োজন যাতে 1) স্টোকাস্টিক ইভেন্ট এবং 2) অপরিমাপিত ভবিষ্যদ্বাণীগুলির গুরুত্ব সম্পর্কে যাচাইযোগ্য অনুমান অন্তর্ভুক্ত থাকে।
CISTANCHE কিডনি/রেনাল ইনফেকশনের উন্নতি ঘটাবে
Te Cox মডেল ভাল বৈষম্যমূলক ক্ষমতা (C-index=0.73) সহ গ্রাফ্ট ফেইলিউর ঝুঁকির চরম বিভাগগুলিকে (ভাল বনাম দরিদ্র) বৈষম্য করতে সক্ষম হয়েছিল, এইভাবে, গ্রাফ্ট ব্যর্থতার ঝুঁকির চরম শ্রেণীগুলির মধ্যে যন্ত্রটির উপযোগিতা অন্যান্য ঝুঁকি বিভাগের তুলনায় উচ্চতর। অতএব, শুধুমাত্র এই ঝুঁকি বিভাগের মধ্যে যন্ত্রের ব্যবহার সীমিত করা উচ্চতর ফলাফল দিতে পারেকিডনি প্রতিস্থাপনসিদ্ধান্ত গ্রহণ আমরা দৃঢ় অভ্যন্তরীণ বৈধতা ব্যবহার করেছি, কিন্তু বহিরাগত বৈধতা ক্লিনিকাল সিদ্ধান্ত নেওয়ার ক্ষেত্রে একটি ঝুঁকি সূচক গ্রহণের দিকে একটি গুরুত্বপূর্ণ পদক্ষেপ কারণ শুধুমাত্র অভ্যন্তরীণ বৈধতার উপর ভিত্তি করে একটি মডেলের কর্মক্ষমতা মূল্যায়ন কর্মক্ষমতার একটি অত্যধিক আশাবাদী মূল্যায়নের দিকে পরিচালিত করতে পারে [২৮]। অধিকন্তু, বেশিরভাগ চিকিত্সক এমন একটি সরঞ্জাম ব্যবহার করতে অনিচ্ছুক হতে পারেন যা বিভিন্ন ক্ষেত্রে পরীক্ষা করা হয়নিকিডনিজনসংখ্যা অতএব, আমরা প্রস্তাব করি যে এই সূচকটি ক্লিনিকাল অনুশীলনে ব্যবহারের আগে সাধারণীকরণের মূল্যায়ন করার জন্য বাহ্যিকভাবে বৈধ হওয়া উচিত। যদি সূচকটি ভাল বাহ্যিক বৈধতা প্রদর্শন করে, তাহলে সূচকটি প্রাপকদের কাছে আরও ভাল দাতা হওয়ার সম্ভাবনা রাখে, বর্তমানের উন্নতি করেকিডনিবরাদ্দ যেহেতু এই সূচকে দাতা এবং গ্রহীতা উভয়ের বৈশিষ্ট্যই রয়েছে, এটি অনুমান করতে পারে কোন দাতা-গ্রহীতার মিলটি উপলভ্য পছন্দগুলির মধ্যে ট্রান্সপ্লান্ট-পরবর্তী সর্বোচ্চ টিকে আছে।
এই গবেষণায় বিভিন্ন সীমাবদ্ধতা উপস্থিত রয়েছে। ভবিষ্যদ্বাণীমূলক মডেল শুধুমাত্র ANZDATA দ্বারা সংগৃহীত ভেরিয়েবল ব্যবহার করে, তাই, আমরা রোগীদের সম্পূর্ণ ঝুঁকি প্রোফাইল অন্তর্ভুক্ত নাও করতে পারি। আমরা শুধুমাত্র চারটি পদ্ধতি এবং অন্যান্য মেশিন লার্নিং পদ্ধতি ব্যবহার করেছি যা সময়-থেকে-ইভেন্ট তথ্যের মডেল হতে পারে আরও ভাল ফলাফল তৈরি করতে পারে। যাইহোক, বেঁচে থাকার ডেটার জন্য মেশিন লার্নিং মডেলগুলি ভালভাবে বিকশিত নয়, আমাদের সেরা অ্যাপ্লিকেশনের মডেলের ধরণের নির্বাচনকে সীমাবদ্ধ করে [৩৫]।
উপসংহারসংক্ষেপে, নতুন সূচকটি গ্রাফ্ট ফেইলিউরের উচ্চ ঝুঁকি সহ রোগীদের মাঝারিভাবে ভালভাবে বৈষম্য করে এবং মাঝারি মাত্রার নির্ভুলতার সাথে গ্রাফ্ট ব্যর্থতার পূর্বাভাস দেয়। এই প্রতিশ্রুতিশীল নতুন সূচকটি ক্লিনিকাল সেটিংসে এর ব্যবহার প্রমাণ করার জন্য বাহ্যিক বৈধতার পরবর্তী ধাপের মূল্য।
CISTANCHE কিডনি/রেনাল ফাংশন উন্নত করবে