ترجمه فارسی مقاله پیش‌بینی بقای طولانی‌مدت آلوگرافت در گیرندگان پیوند کبد

چکیده

Liver allograft failure occurs in approximately 20% of liver transplant recipients within five years post-transplant, leading to mortality or the need for retransplantation. Providing an accurate and interpretable model for individualized risk estimation of graft failure is essential for improving post-transplant care. To this end, we introduce the Model for Allograft Survival (MAS), a simple linear risk score that outperforms other advanced survival models. Using longitudinal patient follow-up data from the United States (U.S.), we develop our models on 82,959 liver transplant recipients and conduct multi-site evaluations on 11 regions. Additionally, by testing on a separate non-U.S. cohort, we explore the out-of-distribution generalization performance of various models without additional fine-tuning, a crucial property for clinical deployment. We find that the most complex models are also the ones most vulnerable to distribution shifts despite achieving the best in-distribution performance. Our findings not only provide a strong risk score for predicting long-term graft failure but also suggest that the routine machine learning pipeline with only in-distribution held-out validation could create harmful consequences for patients at deployment.

چکیده به فارسی (ترجمه ماشینی)

نارسایی آلوگرافت کبد در حدود 20 ٪ از گیرندگان پیوند کبد در طی پنج سال پس از پیوند رخ می دهد و منجر به مرگ و میر یا نیاز به پیوند مجدد می شود.ارائه یک مدل دقیق و قابل تفسیر برای برآورد خطر فردی از نارسایی پیوند برای بهبود مراقبت های پس از پیوند ضروری است.برای این منظور ، ما مدل برای بقا آلوگرافت (MAS) را معرفی می کنیم ، یک نمره خطر خطی ساده که از سایر مدلهای پیشرفته بقا بهتر است.با استفاده از داده های پیگیری بیمار طولی از ایالات متحده (ایالات متحده) ، ما مدل های خود را در مورد 82.959 گیرنده پیوند کبد توسعه داده و ارزیابی های چند سایت را در 11 منطقه انجام می دهیم.علاوه بر این ، با آزمایش یک گروه جداگانه غیر U.S. ، ما عملکرد عمومی سازی خارج از توزیع مدلهای مختلف را بدون تنظیم دقیق اضافی ، یک خاصیت مهم برای استقرار بالینی بررسی می کنیم.ما می دانیم که پیچیده ترین مدل ها نیز با وجود دستیابی به بهترین عملکرد در توزیع ، در معرض تغییرات توزیع قرار دارند.یافته های ما نه تنها نمره خطر جدی برای پیش بینی نارسایی طولانی مدت پیوند ارائه می دهد ، بلکه نشان می دهد که خط لوله یادگیری ماشین معمول با اعتبار موجود در توزیع ، می تواند عواقب مضر برای بیماران در استقرار ایجاد کند.