馆长今天带来的这本期刊，胆大的宝宝一定要试试，虽然影响因子高达12分+，但审稿质量与普通期刊无异，年文章量300多篇，国人占比第一。这本诱人的杂志就是International Journal of Surgery （IF 12.5，中科院2 区）。别看这是一本外科方向的杂志，生信文章也收的不亦乐乎。
今天馆长带来一篇近期发表在这本期刊上的机器学习相关的研究。文章通过使用4种机器学习算法（XGBoost，前馈神经网络，逻辑回归和支持向量机）识别影响肾脏移植预后的关键因素。
前段时间的诺贝奖大家都知道，人工智能喜提物理和化学奖。对我们做生信人来讲，是绝对的重大利好，所以想通过机器学习发文的宝子一定不要错过时机哦，思路设计、生信分析馆长都可以帮你轻松搞定，欢迎来询~
定制生信分析
云服务器租赁
加好友备注“99”领取试用
题目：使用机器学习方法预测肾移植预后因素以提高预后预测：一项回顾性队列研究
杂志：Int J Surg
发表时间：2024.8
后台回复“666”获取原文献，编号241120
研究背景
准确预测肾移植（KT）后的临床结果对于改善患者护理和提高移植成功率至关重要。研究采用先进的机器学习（ML）算法来确定肾移植的关键预后指标。通过使用ML模型分析复杂的数据集，该研究的目标是提高预测准确性，并提供有价值的见解，以支持临床决策。
研究思路
本研究分析了单一中心4077例KT患者的数据，包括27个特征，包括受体/供体特征和移植周围数据。数据集分为训练集（80%）和测试集（20%）。四种ML模型——极端梯度增强（XGBoost）、前馈神经网络、Logistic回归和支持向量机——在精心选择的特征上进行训练，预测移植物存活的成功。通过精密度、灵敏度、F1评分、受试者工作特征下面积（AUROC）和精密度-召回曲线下面积进行评价。
研究结果
研究队列的基线特征
预测移植体物活的重要特征
在所分析的四个机器学习模型中，XGBoost表现出更优的性能，AUROC为0.828。校准曲线和Brier分数的分析表明，基于树的模型（特别是XGBoost）优于概率方法，如逻辑回归和前馈神经网络。校准图进一步证实，基于树的模型从概率校准过程中获得显著收益。
研究进一步确定了预测特征的层次结构。这个水平条形图可视化了27个临床和人口变量的不同权重。每个条的长度表示每个特征的相对重要性，其中“T_flow”最重要，其次是“CR_2”，“Induction”，“D_Sex”和“abdrMM”。这些发现强调了供体-受体相容性、移植前免疫因素和受体生理特征之间复杂的相互作用，强调了算法整合在增强KT决策和改善临床结果方面的潜力。
利用XGBoost模型的高预测精度，采用SHAP对影响特征进行深入分析。对于高危患者，增加风险的显著特征包括“DSA”（供体特异性抗体）、“abdrMM”（HLA-ABDR不匹配）和“T_flow”（t细胞流交叉匹配）。此外，“CR_2”（移植后2年肌酐水平）和“AGE”（受体年龄）有很强的贡献，表明年龄越大和术后肌酐水平越高与高风险相关。对于低危患者，其中特征主要将预测值推低，表明预后较好。与高危患者的情况相比，“DSA”和“abdrMM”影响较小，这表明它们的影响在低风险病例中不那么明显。SHAP图有效地可视化了每个特征对肾脏移植中高风险或低风险患者预测结果的个体贡献，为影响患者预后的因素提供了有价值的见解。
Banff标准的加权重要性
在对与肾活检Banff评分相关的变量进行严格分层时，作者描述了预后框架中每个子类别的相对重要性。该图表清楚地描绘了分配给每个Banff评分相关特征的权重，提供了对其预后价值的视觉评估。值得注意的是，指示内膜动脉炎的变量“v”对预测算法的影响最大，表明其在移植后肾功能评估中的关键作用。
文章小结
该研究开发了ML模型，以确定KT移植物存活的关键临床因素，帮助临床医生做出移植后护理决策。
这篇文章分析方面其实难度很低，馆长这里还能帮你联合各种组学进行整合分析，欢迎来找馆长定制专属于你的方案~另外，电脑不给了的宝子也可以找馆长试用稳定高速服务器，让分析顺畅无比哦~
馆长会持续为大家带来最新生信思路，也可以提供特色数据库构建、免费思路评估、付费生信分析和方案设计以及实验项目实施等服务，对数据库构建和生信分析感兴趣的朋友可以咨询馆长哦！
