Biomedical Signal Processing and Control· 2017Q1
Karar Ağacı ve Rastgele Orman Modelleri Antikor Uyumsuzluğu Olan Böbrek Nakli Sonuçlarını Tahmin Ediyor
Decision tree and random forest models for outcome prediction in antibody incompatible kidney transplantation
- 367atıf
- Q1SCImago
- 2017yıl
Kısa özet
Karar Ağacı (DT) ve Rastgele Orman (RF) modelleri, küçük bir veri seti (n=80) kullanarak %85 doğrulukla erken böbrek nakli reddini başarıyla tahmin etti ve anahtar risk faktörleri olarak donör spesifik IgG antikorlarını, IgG4 alt sınıf seviyelerini ve HLA uyumsuzluklarını belirledi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- DT ve RF modelleri, %85 doğrulukla erken böbrek nakli reddini tahmin etti.
- Modeller, 80 örnekten oluşan küçük bir klinik veri seti kullanılarak geliştirildi.
- Anahtar risk faktörleri belirlendi: donör spesifik IgG antikorları, IgG4 alt sınıf seviyeleri ve HLA uyumsuzlukları.
- DT modeli, donör spesifik IgG alt sınıf antikorlarının tehlikeli seviyelerini ortaya çıkardı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Clinical datasets are commonly limited in size, thus restraining applications of Machine Learning (ML) techniques for predictive modelling in clinical research and organ transplantation. We explored the potential of Decision Tree (DT) and Random Forest (RF) classification models, in the context of small dataset of 80 samples, for outcome prediction in high-risk kidney transplantation. The DT and RF models identified the key risk factors associated with acute rejection: the levels of the donor specific IgG antibodies, the levels of IgG4 subclass and the number of human leucocyte antigen mismatches between the donor and recipient. Furthermore, the DT model determined dangerous levels of donor-specific IgG subclass antibodies, thus demonstrating the potential of discovering new properties in the data when traditional statistical tools are unable to capture them. The DT and RF classifiers developed in this work predicted early transplant rejection with accuracy of 85%, thus offering an accurate decision support tool for doctors tasked with predicting outcomes of kidney transplantation in advance of the clinical intervention.
Yazarların özeti; kaynağından alınmıştır. Biomedical Signal Processing and Control, 2017 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Transplantasyon (Organ Nakli)
TransplantationMedicine