用于预测长期肺移植结果的可解释混合机器学习模型的开发与验证

亮点

• 介绍了一种结合随机生存森林变量选择与Cox回归的混合AutoScore-Survival机器学习模型，用于预测肺移植结果。
• 使用了涵盖近四十年超过50,000名成年肺移植受者的器官共享联合网络（United Network for Organ Sharing, UNOS）数据，确保模型的稳健性。
• 确定了九个关键临床预测因子，包括受者和供者的人口统计学特征、手术细节和围手术期状态，增强了个性化风险分层。
• 该模型表现出中等的区分度但具有极好的校准度和一致的净临床效益，支持共享决策和移植管理。

背景

肺移植仍然是多种终末期肺疾病的最终治疗手段。然而，肺移植后的长期生存率因复杂的受者、供者和手术因素而表现出显著差异。当前的风险分层工具由于准确性有限、缺乏可解释性和临床实用性不足，阻碍了个性化的预后和决策。机器学习的出现提供了利用大型移植登记数据进行改进预测建模的机会，但对“黑箱”算法的担忧限制了其临床应用。这一背景突显了开发可解释、准确且临床上相关的模型以预测肺移植后的事件时间结果（如死亡或再移植）的重要性，从而在有意义的时间点（如移植后1年、5年和10年）进行风险分层。

主要内容

肺移植结果预测模型的时间发展

早期的结果预测模型依赖于包含有限临床变量的传统统计方法，性能和外部有效性参差不齐。近年来，随机森林、神经网络和梯度提升等机器学习框架在肺移植队列中被探索，以捕捉非线性关系和复杂交互作用。尽管预测准确性有所提高，但这些模型往往缺乏透明度，导致床边解释和临床采用困难。结合机器学习驱动的变量选择与传统的基于回归的评分的混合方法已成为平衡性能和可解释性的有前景策略。

方法学进展：AutoScore-Survival框架

参考研究利用了AutoScore-Survival框架，这是一种新颖的混合管道，利用随机生存森林从高维数据中进行稳健的变量选择，然后通过Cox比例风险回归得出可解释的风险评分。这种方法具有多个优势：数据驱动的选择减少过拟合；生存时间建模保留时间信息；透明的风险评分计算有利于临床使用。时间数据分割（1987-2014年用于开发，2015-2025年用于测试）和额外的内部验证确保了通用性和最佳超参数调整。

识别的关键肺移植结果预测因子

最终模型中确定了九个预测因子，包括人口统计学、临床、手术和实验室参数：住院时间、受者年龄、单肺与双肺移植、术后通气支持、既往心脏手术、移植时血清肌酐、功能状态、总胆红素水平和供者年龄。这些因素反映了病理生理影响（肾和肝功能）、手术复杂性、术前合并症和供者质量。

在线使用模型：https://m.medsci.cn/scale/show.do?id=89a95418a2

模型性能和临床实用性

在测试队列（n=25,251）中，该模型表现出中等的区分度（综合AUC 0.61；Harrell C指数 0.64），随时间变化的AUC分别为1年0.61、5年0.59和10年0.72，表明随着时间的延长预测准确性逐渐提高。校准图确认了预测与观察结果的一致性，由有利的Brier分数和观察到的事件与预期事件比率进一步证实。重要的是，决策曲线分析显示在临床上相关阈值概率范围内具有持续的净效益，支持有意义的风险分层以指导个性化管理。

专家评论

本研究通过结合机器学习的变量选择能力和Cox回归的可解释性，在肺移植预后方面取得了方法学和转化的进展。使用大型、纵向的真实世界数据集提高了外部有效性和在不同患者群体和时代的适用性。尽管区分度中等，这与可用变量之外的肺移植结果的内在复杂性和多因素决定因素相一致。该模型的优势在于良好的校准度、可解释性和展示的临床净效益，这对于移植候选评估、术后随访强度和咨询中的共享决策至关重要。

尽管存在这些优势，局限性包括依赖于存在固有缺失性的登记数据、潜在的未测量混杂因素（如免疫标志物、依从性）以及可能无法完全捕捉潜在风险因素的中等区分度。未来的研究可以整合分子、功能成像和全面的社会健康决定因素数据，以提高预测性能。此外，需要在不同的移植中心进行前瞻性验证，并评估模型集成到临床工作流程和患者结果中的情况。

机制上，识别的预测因子如肾和肝功能标志物反映了手术和免疫抑制耐受所需的系统器官储备。通气支持和住院时间提供了围手术期并发症的替代指标。单肺与双肺移植之间的风险差异承认了手术复杂性和移植物功能的变异。

结论

混合AutoScore-Survival模型提供了一个可解释且具有临床意义的工具，用于个性化风险分层的肺移植受者。通过准确预测关键里程碑的时间至死亡或再移植，它支持知情的临床决策和患者咨询。通过基于网络的计算器实现床边实施。随着新兴生物标志物的不断精炼和前瞻性验证，进一步改进预后、优化资源分配和提高移植结果将是至关重要的。

参考文献

• Sharma G 等. 开发和验证用于预测肺移植结果的混合机器学习模型. JAMA Netw Open. 2025 Nov 3;8(11):e2545369. doi: 10.1001/jamanetworkopen.2025.45369 IF: 9.7 Q1 B1. PMID: 41288975 IF: 9.7 Q1 B1; PMCID: PMC12648352 IF: 9.7 Q1 B1.
• Weill D, Benden C, Corris PA, 等. 肺移植候选人的选择共识文件：2014年更新——来自国际心肺移植学会肺移植委员会的更新. J Heart Lung Transplant. 2015 Jan;34(1):1-15. doi:10.1016/j.healun.2014.06.014 IF: 6.0 Q1 B1.
• Palmer SM, Tevar AD. 优化肺移植受者的结局. J Thorac Dis. 2016 Oct;8(Suppl 10):S827-S837. doi:10.21037/jtd.2016.07.65 IF: 1.9 Q3 B4.
• De Vries APJ, Vonk-Noordegraaf A, van Rees JB, 等. 机器学习在预测肺移植后生存率中的应用：当前状况和未来展望. Transplant Rev (Orlando). 2020 Jan;34(1):100516. doi:10.1016/j.trre.2019.100516 IF: 2.5 Q2 B2.