Phát triển và kiểm chứng mô hình học máy lai có thể giải thích để dự đoán kết quả ghép phổi dài hạn

Những điểm nổi bật

• Giới thiệu mô hình học máy lai AutoScore-Survival tích hợp việc lựa chọn biến từ rừng ngẫu nhiên với hồi quy Cox để dự đoán kết quả ghép phổi.
• Sử dụng dữ liệu rộng lớn từ Hệ thống Chia sẻ Cơ quan Quốc gia Hoa Kỳ bao gồm hơn 50.000 người nhận ghép phổi trưởng thành trải dài gần bốn thập kỷ, đảm bảo độ tin cậy của mô hình.
• Xác định chín yếu tố dự đoán lâm sàng chính bao gồm nhân khẩu học của người nhận và người hiến, chi tiết thủ thuật và tình trạng phẫu thuật, tăng cường phân loại rủi ro cá nhân hóa.
• Mô hình thể hiện sự phân biệt vừa phải nhưng hiệu chỉnh xuất sắc và lợi ích lâm sàng ròng nhất quán, hỗ trợ quyết định chia sẻ và quản lý ghép phổi.

Nền tảng

Ghép phổi vẫn là phương pháp điều trị cuối cùng cho nhiều bệnh phổi giai đoạn cuối. Tuy nhiên, sự sống còn dài hạn sau ghép phổi thể hiện sự biến đổi đáng kể do các yếu tố phức tạp từ người nhận, người hiến và thủ thuật. Các công cụ phân loại rủi ro hiện tại bị hạn chế về độ chính xác, khả năng giải thích và tính hữu ích lâm sàng, cản trở dự đoán cá nhân hóa và ra quyết định. Sự xuất hiện của học máy mang lại cơ hội khai thác các cơ sở dữ liệu ghép lớn để cải thiện mô hình dự đoán, nhưng lo ngại về các thuật toán ‘hộp đen’ đã hạn chế việc áp dụng lâm sàng. Bối cảnh này nhấn mạnh tầm quan trọng của việc phát triển các mô hình có thể giải thích, chính xác và liên quan đến lâm sàng để dự đoán các kết quả thời gian như tử vong hoặc tái ghép sau ghép phổi, giúp phân loại rủi ro tại các thời điểm ý nghĩa như 1, 5 và 10 năm sau ghép.

Nội dung chính

Sự phát triển theo thời gian của các mô hình dự đoán kết quả ghép phổi

Các mô hình dự đoán kết quả sớm dựa vào các phương pháp thống kê truyền thống kết hợp các biến lâm sàng giới hạn, với hiệu suất và độ tin cậy bên ngoài khác nhau. Gần đây, các khung học máy như rừng ngẫu nhiên, mạng nơ-ron và củng cố gradient đã được khám phá trong các nhóm ghép phổi để nắm bắt các mối quan hệ phi tuyến và các tương tác phức tạp. Mặc dù có sự tiến bộ về độ chính xác dự đoán, các mô hình này thường thiếu minh bạch, làm phức tạp việc giải thích ở giường bệnh và việc áp dụng lâm sàng. Các cách tiếp cận lai kết hợp việc lựa chọn biến dựa trên học máy với điểm số dựa trên hồi quy truyền thống đã xuất hiện như những chiến lược hứa hẹn, cân bằng giữa hiệu suất và khả năng giải thích.

Các tiến bộ về phương pháp: Khung AutoScore-Survival

Nghiên cứu tham chiếu đã sử dụng khung AutoScore-Survival, một ống dẫn lai mới sử dụng rừng sinh tồn ngẫu nhiên để lựa chọn biến một cách mạnh mẽ từ dữ liệu đa chiều, sau đó sử dụng hồi quy nguy cơ tỷ lệ Cox để tạo ra điểm số rủi ro có thể giải thích. Cách tiếp cận này mang lại nhiều lợi thế: lựa chọn dữ liệu giảm thiểu quá mức phù hợp; mô hình hóa thời gian sống duy trì thông tin thời gian; và tính toán điểm số rủi ro minh bạch thuận lợi cho việc sử dụng lâm sàng. Việc chia dữ liệu theo thời gian (1987-2014 cho phát triển, 2015-2025 cho kiểm tra) và kiểm tra nội bộ bổ sung đã đảm bảo tính tổng quát và điều chỉnh siêu tham số tối ưu.

Các yếu tố dự đoán chính của kết quả ghép phổi được xác định

Chín yếu tố dự đoán chiếm ưu thế trong mô hình cuối cùng bao gồm các tham số nhân khẩu học, lâm sàng, thủ thuật và phòng thí nghiệm: thời gian nằm viện, tuổi của người nhận, ghép đơn hay kép, hỗ trợ hô hấp sau ghép, phẫu thuật tim trước đó, creatinin huyết thanh khi ghép, tình trạng chức năng, mức bilirubin toàn phần và tuổi của người hiến. Các yếu tố này phản ánh tác động bệnh lý (chức năng thận và gan), độ phức tạp phẫu thuật, bệnh lý tiền phẫu và chất lượng người hiến.

Hiệu suất mô hình và tính hữu ích lâm sàng

Trong nhóm kiểm tra (n=25.251), mô hình thể hiện sự phân biệt vừa phải (AUC tích hợp 0,61; chỉ số C của Harrell 0,64), với AUC phụ thuộc thời gian là 0,61 sau 1 năm, 0,59 sau 5 năm và cải thiện lên 0,72 sau 10 năm sau ghép, chỉ ra độ chính xác dự đoán tăng dần qua thời gian dài. Các biểu đồ hiệu chỉnh xác nhận sự đồng thuận giữa kết quả dự đoán và quan sát, được chứng thực bởi các điểm số Brier và tỷ lệ sự kiện quan sát so với dự kiến có lợi. Quan trọng hơn, phân tích đường cong quyết định đã chứng minh lợi ích ròng nhất quán trên các ngưỡng xác suất liên quan đến lâm sàng, hỗ trợ phân loại rủi ro có ý nghĩa để hướng dẫn quản lý cá nhân hóa.

Bình luận chuyên gia

Nghiên cứu này đại diện cho một bước tiến về phương pháp và chuyển dịch trong dự đoán tiên lượng ghép phổi bằng cách kết hợp khả năng lựa chọn biến của học máy với khả năng giải thích của hồi quy Cox. Việc sử dụng dữ liệu thực tế lớn, dài hạn, thực tế tăng cường độ tin cậy bên ngoài và khả năng áp dụng trên các quần thể bệnh nhân đa dạng và các thời kỳ. Mặc dù sự phân biệt là vừa phải, điều này phù hợp với độ phức tạp vốn có và các yếu tố quyết định đa yếu tố của kết quả ghép phổi vượt quá các biến sẵn có. Điểm mạnh của mô hình nằm ở độ chính xác tốt, khả năng giải thích và việc chứng minh lợi ích lâm sàng ròng, quan trọng đối với quyết định chia sẻ trong đánh giá khả năng ghép, cường độ theo dõi sau ghép và tư vấn.

Mặc dù có những điểm mạnh này, các hạn chế bao gồm sự phụ thuộc vào dữ liệu cơ sở dữ liệu với sự thiếu hụt cố hữu, các yếu tố nhiễu chưa đo lường (ví dụ, các dấu hiệu miễn dịch, tuân thủ), và sự phân biệt vừa phải có thể không hoàn toàn nắm bắt các yếu tố rủi ro tiềm ẩn. Nghiên cứu trong tương lai có thể tích hợp dữ liệu phân tử, hình ảnh chức năng và các yếu tố xã hội toàn diện để cải thiện hiệu suất dự đoán. Ngoài ra, kiểm chứng triển vọng trong các trung tâm ghép đa dạng và đánh giá việc tích hợp mô hình vào quy trình làm việc lâm sàng và kết quả bệnh nhân là cần thiết.

Từ góc độ cơ chế, các yếu tố dự đoán được xác định như các dấu hiệu chức năng thận và gan phản ánh dự trữ cơ quan hệ thống quan trọng để chịu đựng phẫu thuật và ức chế miễn dịch. Hỗ trợ hô hấp và thời gian nằm viện cung cấp các đại diện cho các biến cố phẫu thuật. Phân biệt rủi ro theo ghép đơn hay kép công nhận độ phức tạp thủ thuật và sự biến đổi chức năng ghép.

Kết luận

Mô hình AutoScore-Survival lai cung cấp công cụ có thể giải thích, có ý nghĩa lâm sàng để phân loại rủi ro cá nhân hóa cho người nhận ghép phổi. Bằng cách dự đoán chính xác thời gian đến tử vong hoặc tái ghép tại các mốc quan trọng, nó hỗ trợ quyết định lâm sàng có thông tin và tư vấn bệnh nhân. Việc truy cập thông qua máy tính dựa trên web giúp triển khai tại giường bệnh. Việc tinh chỉnh liên tục với các dấu hiệu sinh học mới nổi và kiểm chứng triển vọng sẽ rất quan trọng để cải thiện thêm việc dự đoán, tối ưu hóa phân bổ nguồn lực và nâng cao kết quả ghép.

Tài liệu tham khảo

• Sharma G et al. Phát triển và kiểm chứng mô hình học máy lai để dự đoán kết quả ghép phổi. JAMA Netw Open. 2025 Nov 3;8(11):e2545369. doi: 10.1001/jamanetworkopen.2025.45369. PMID: 41288975; PMCID: PMC12648352.
• Weill D, Benden C, Corris PA, et al. Văn bản đồng thuận về việc lựa chọn ứng viên ghép phổi: 2014–cập nhật từ Hội Ghép Tim và Phổi Quốc tế. J Heart Lung Transplant. 2015 Jan;34(1):1-15. doi:10.1016/j.healun.2014.06.014.
• Palmer SM, Tevar AD. Tối ưu hóa kết quả người nhận trong ghép phổi. J Thorac Dis. 2016 Oct;8(Suppl 10):S827-S837. doi:10.21037/jtd.2016.07.65.
• De Vries APJ, Vonk-Noordegraaf A, van Rees JB, et al. Sử dụng học máy trong dự đoán sự sống còn sau ghép phổi: tình trạng hiện tại và triển vọng trong tương lai. Transplant Rev (Orlando). 2020 Jan;34(1):100516. doi:10.1016/j.trre.2019.100516.