Алгоритмы машинного обучения для прогнозирования результатов трансплантаций

Польза или хайп?

машинное обучение для прогноза результатов трансплантаций

29.10.2020

Именно так озаглавили свою публикацию исследователи из Johns Hopkins School of Medicine (Балтимор, США).

Действительно, с ростом производительности компьютеров, алгоритмы машинного обучения все чаще стали применяться для обработки больших массивов информации, заменяя привычные статистические процедуры. Особенно привлекательна возможность анализа так называемых «не табличных» данных — изображений и речи.

Абсолютно естественными были попытки применить новые алгоритмы к анализу данных о трансплантациях органов с целью создать надежные прогностические модели, на основе которых можно было бы совершенствовать правила распределения донорских органов, индивидуализировать планы обследования и лечения реципиентов. 

Результаты первых исследований были многообещающими, однако американские ученые решили их перепроверить. В качестве тестового массива данных использовали информацию из Национального регистра трансплантаций США об особенностях и исходах 133 431 пересадках почки от посмертных доноров, выполненных в 272 центрах трансплантации в период с 2005 по 2017 гг.

Для построения прогностических моделей было выбрано пять состояний/событий: отсроченная функция трансплантата, острое отторжение в течение первого года после операции, возврат на диализ, смерть реципиента и утрата трансплантата по любой причине. 

Главной задачей было сравнить точность моделей, созданных на основе алгоритмов машинного обучения и стандартных регрессионных методов.

Оказалось, что для прогнозирования четырех событий модели, построенные разными способами, дали примерно одинаковую точность. А модель для определения риска отторжения, полученная традиционным методом, оказалась даже лучше.

Любые новые технологии всегда очень привлекательны — кажется, что каждая из них позволит быстро получить решение сложных задач, к которым не удавалось подступиться десятилетиями.

Возникает ажиотаж, гонка исследовательских групп, появляются модные научные направления. Бесспорно, что алгоритмы машинного обучения могут быть эффективным инструментом и обязательно найдут применение в трансплантационных исследованиях и практике. Главное применять их с умом.

Работы, подобные этому американскому исследованию, очень полезны для развития науки – они снимают головокружение от первоначального успеха и стимулируют к дальнейшим поискам.

Александр Игоревич Сушков

Александр Игоревич Сушков

Врач-исследователь, кандидат медицинских наук, специалист в области трансплантологии.
Заведующий лабораторией новых хирургических технологий Центра хирургии и трансплантологии ФГБУ ГНЦ Федерального медицинского биофизического центра имени А.И. Бурназяна ФМБА России

Понравилась статья? Поделитесь!

Share on facebook
Facebook
Share on twitter
Twitter
Share on vk
VK
Share on telegram
Telegram
Share on odnoklassniki
OK
Share on whatsapp
WhatsApp

Подписывайтесь на рассылку RusTransplant!

Подписывайтесь на нас в социальных сетях!

ЧИТАЙТЕ ТАКЖЕ

Напишите комментарий

Войти с помощью: 

Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.

%d такие блоггеры, как: