Predikce přežití po transplantaci ledvin pomocí technik strojového učení

Abstract

Chronické onemocnění ledvin, které postihuje více než 10% světové populace, představuje vážný zdravotní problém v globálním měřítku. Transplantace ledvin je jednou ze stěžejních léčebných možností. Tato bakalářská práce se zaměřuje na využití strojového učení pro predikci délky prežití transplantované ledviny. Reálná data z databáze americké organizace, United Network for Organ Sharing (UNOS), a Institutu klinické a experimentální medicíny (IKEM) byla použita k vytvoření několika modelů, včetně Coxovy regrese, Random Survival Forests, neuronové sítě DeepSurv a dalších parametrických modelů. Námi vyvinuté modely nabízejí možnosti pro zdokonalení skórovacího systému aktuálně používaného v USA, nebo dokonce pro vytvoření a zavedení komplexnějšího systému skórování pro Českou republiku, který by zohlednil dříve nepoužité faktory. Nejpřesnější z testovaných modelů dosáhly výsledků srovnatelných s aktuální literaturou. Tato práce nejen potvrzuje potenciál strojového učení v oblasti transplantační medicíny, ale také otevírá možnosti pro zlepšení úspěšnosti léčby. Zároveň nastiňuje cestu pro budoucí výzkum zaměřený na optimalizaci těchto modelů a zlepšení jejich praktického využití.Chronic kidney disease, a global health issue, impacts over 10% of the world's population, making kidney transplantation a critical treatment option. This thesis delves into the application of machine learning for predicting the longevity of kidney grafts post-transplantation. Real data from the United Network for Organ Sharing (UNOS) and the Institute for Clinical and Experimental Medicine (IKEM) have been utilized to develop various models, such as Cox regression, Random Survival Forests, and the DeepSurv neural network, among others. The development of these models opens potential avenues for improving the existing scoring system used in the USA, or even establishing a more comprehensive scoring system for the Czech Republic that considers previously unused variables. Our top models have shown performance levels that are comparable with those currently used in the literature. This study not only reaffirms the potential of machine learning in transplantation medicine but also creates opportunities for improving patient outcomes. It additionally illuminates a path for future research, optimizing these models, and better understanding their practical implications.