仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
肺移植已成为各种终末期肺病的可行治疗方案。然而，随着全球肺移植需求的增长，可用供体的短缺导致等待名单上的患者死亡率增加。理想的肺分配系统应减少等待名单死亡率，提高移植后存活率，并确保器官分配的公平性。
“理想的肺分配系统应减少等待名单死亡率，提高移植后存活率，并确保器官分配的公平性。”（出处：第3页）
目前，韩国的肺分配系统主要基于紧急程度，将患者分为0-4级状态，数字越低表示紧急程度越高。虽然这确保了最紧急的病例能及时获得肺移植，但未充分考虑移植后存活率，可能导致获益可能性较低的患者优先于存活概率较高的患者。
“现行的韩国肺分配系统优先考虑基于紧急程度的患者，专注于那些需要立即干预的严重疾病患者。候选人被分类为0-4级状态以反映其医疗状况，较低的状态表示更高的紧急性。”（出处：第8页）
本研究回顾性分析了韩国器官共享网络数据库中2009年9月至2020年12月期间的1,599名肺移植候选人数据。
“本研究回顾性分析了韩国器官共享网络数据库的数据，包括2009年9月至2020年12月期间的1,599名肺移植候选人。”（出处：第1页）
研究开发了一种新型肺分配评分(LAS)系统——MaxBenefitLAS，结合了等待名单死亡率模型和移植后存活模型，旨在最大化移植获益。图1.研究流程图_
研究使用弹性网络Cox回归分析进行变量选择，并通过10,000次子重采样确定最佳模型参数。最终的等待名单死亡率模型包含14个潜在变量（总计16个），移植后存活模型包含11个潜在变量（总计18个）。
“弹性网络Cox回归分析与10,000次子重采样显示，两个队列在α=1时显示出更高的C指数值。因此，在α=1的模型中，选择了具有最小交叉验证误差和训练与验证队列最高C指数值的模型。”（出处：第5页）
为了确定权重组合，研究进行了逻辑回归分析，在10,000次重复中，最常提取的权重组合为：w1=0.6和w2=-1.8。风险评分通过最小-最大缩放归一化转换为MaxBenefitLAS。
使用曲线下面积(AUC)值和Uno’sC指数评估模型性能，并在独立队列中将其与美国LAS进行比较。MaxBenefitLAS被分为五个显著水平（0-34、35-44、45-54、55-64和65-100），以进行风险分层。
等待名单死亡率模型在训练和验证队列中表现出强大的预测性能，AUC值分别为0.834和0.818。移植后存活模型也表现出良好的预测能力，AUC值分别为0.708和0.685。
“最终拟合的等待名单死亡率模型包括14个潜在变量（总计16个），训练和验证队列的曲线下面积(AUC)值分别为0.834和0.818，表明具有良好的预测能力。此外，移植后存活模型包含11个潜在变量（总计18个），训练和验证队列的AUC值分别为0.708和0.685，表明具有良好的预测能力。”（出处：第5页）
MaxBenefitLAS有效地按风险对患者进行分层，较高的评分与等待名单死亡率增加和移植后死亡率降低相关。
图2.等待名单和移植候选人的MaxBenefitLAS分布_
“我们将MaxBenefitLAS分为11个级别，并描述了等待名单和移植队列的评分分布。等待名单和移植队列中的大多数患者的评分范围分别为45-49和50-54。”（出处：第6页）
单变量Cox比例风险回归分析表明，MaxBenefitLAS越高，1年等待名单死亡风险越高，1年移植后死亡风险越低。此外，MaxBenefitLAS越高，移植获益越高。
图3.基于MaxBenefitLAS的等待名单死亡率、移植后死亡率和移植获益风险_
在独立的等待名单队列(n=190)中，MaxBenefitLAS(Cox回归风险比[HR]，2.47；对数秩检验，P<0.001)和LAS模型(HR，1.74；P=0.007)明显表现出高分组和低分组之间的生存差异。
在独立的移植队列(n=109)中，MaxBenefitLAS高分组和低分组之间的生存率存在差异趋势(HR，0.64；P=0.189)，而LAS模型在高分组和低分组之间没有观察到生存率差异(HR，1.19；P=0.645)。
图.测试队列中MaxBenefitLAS和LAS模型的比较
MaxBenefitLAS模型通过机器学习整合了等待名单死亡率和移植后存活率，旨在解决传统分配系统的挑战。与以往模型不同，MaxBenefitLAS使用较少的临床变量，同时有效预测等待名单和移植后结果。
“MaxBenefitLAS模型通过机器学习整合了等待名单死亡率和移植后存活率，旨在解决这些挑战。与以往模型不同，MaxBenefitLAS使用较少的临床变量，同时有效预测等待名单和移植后结果。”（出处：第9页）
研究发现，当MaxBenefitLAS≥35分时，1年等待名单死亡风险增加，移植后死亡减少，移植获益最高。特别是在55-64分范围内的评分表明移植后存活率更高，因此移植获益更大。
“当MaxBenefitLAS≥35分时，1年等待名单死亡风险增加，移植后死亡减少，移植获益最高（图3）。”（出处：第8页）
“评分越高（在55-64之间），移植后存活的概率越高，表明移植获益最高。”（出处：第8页）
通过系统评估紧急性和移植后存活潜力，临床医生可以确保那些具有最高存活前景的患者及时接受移植，改善整体患者结果并提高器官分配效率。
MaxBenefitLAS提供了一种有前景的方法来优化肺分配，平衡候选人的紧急性与其移植后存活的可能性。该评分系统可以作为肺移植决策的重要资源。
“MaxBenefitLAS提供了一种有前景的方法来优化肺分配，平衡候选人的紧急性与其移植后存活的可能性。”（出处：第1页）
区分等待名单死亡风险最高的候选人和移植后死亡风险最低的候选人对于提高移植效率至关重要。MaxBenefitLAS考虑了这两个相互冲突的价值，并具有强大的预测能力，使其成为减少紧急候选人中无效移植的有价值工具。
“区分等待名单死亡风险最高的候选人和移植后死亡风险最低的候选人对于提高移植效率至关重要。MaxBenefitLAS考虑了这两个相互冲突的价值，并具有强大的预测能力，使其成为减少紧急候选人中无效移植的有价值工具。”（出处：第9页）
然而，该研究也存在一些局限性，包括韩国国家数据集包含的变量有限，移植前特征更适合预测短期而非长期移植后存活率，以及缺乏外部验证。未来需要进一步的前瞻性多中心研究和外部验证来确认该模型的临床实用性。
机器学习论文：阿尔茨海默病早期预测
机器学习论文：从海量数据中挖掘材料设计的关键因素
