Machine learning-based nomogram for acute kidney injury after liver transplantation.

چکیده اصلی

Acute kidney injury (AKI) after liver transplantation (LT) is a frequent complication associated with adverse outcomes, yet practical early postoperative prediction tools remain limited. This retrospective study developed and internally validated an interpretable model for AKI after LT using perioperative variables available by the time of the first urgent postoperative blood test, generally obtained within 1 h after surgery. Adult LT recipients treated from June 2023 to January 2026 were screened. AKI was defined according to Kidney Disease: Improving Global Outcomes criteria. Among 146 screened recipients, 127 were included and randomly divided into training and validation cohorts at a 3:1 ratio. Least absolute shrinkage and selection operator regression selected estimated glomerular filtration rate calculated using the CKD-EPI equation, anhepatic phase time, postoperative natural logarithm-transformed D-dimer, and postoperative alanine aminotransferase. Multivariable logistic regression showed that lower estimated glomerular filtration rate and longer anhepatic phase time were independently associated with AKI. The nomogram achieved area under the receiver operating characteristic curve values of 0.861 in the training cohort and 0.761 in the validation cohort. Five-fold cross-validation and bootstrap internal validation were performed to assess model stability and optimism. Among five evaluated models, support vector machine showed the numerically highest validation AUC of 0.846. Shapley additive explanations identified estimated glomerular filtration rate as the dominant predictor. This early postoperative model may help identify high-risk recipients for intensified renal monitoring and individualized management. External multicenter validation is required before routine clinical implementation.

ترجمه فارسی چکیده

آسیب کبدی حاد (AKI) پس از پیوند کبد (LT) یک عارضه شایع است که با نتایج نامطلوب همراه است، اما ابزارهای پیش‌بینی عملی در زمان اولیه پس از عمل محدود هستند. این مطالعه بازنگری‌شده، یک مدل قابل تفسیر برای AKI پس از LT با استفاده از متغیرهای دوران عمل توسعه و اعتبارسنجی داخلی داد. در این مطالعه، ۱۴۶ دریافت‌کننده بالغ پیوند کبد که از ژوئن ۲۰۲۳ تا ژانویه ۲۰۲۶ درمان شدند، غربالگری شدند. ۱۲۷ مورد شامل شدند و به صورت تصادفی در نسبت ۳:۱ به دو گروه آموزش و اعتبارسنجی تقسیم شدند. مدل‌سازی رگرسیون LASSO متغیرهای زیر را انتخاب کرد: GFR برآورد شده با معادله CKD-EPI، زمان فاز آنهپاتیک، D-dimer طبیعی لگاریتمی شده پس از عمل و ALT پس از عمل. رگرسیون لجستیک چندمتغیره نشان داد که GFR پایین‌تر و زمان فاز آنهپاتیک طولانی‌تر به طور مستقل با AKI مرتبط هستند. نوموگرام در گروه آموزش AUC ۰.۸۶۱ و در گروه اعتبارسنجی AUC ۰.۷۶۱ به دست آورد. اعتبارسنجی داخلی با استفاده از تکرار ۵-گانه و بوت‌استرپ انجام شد. بین پنج مدل ارزیابی شده، ماشین بردار پشتیبان بالاترین AUC اعتبارسنجی عددی ۰.۸۴۶ را نشان داد. توضیحات جمعی Shapley نشان داد که GFR برآورد شده پیش‌بینی‌کننده غالب است. این مدل پس از عمل اولیه ممکن است به شناسایی دریافت‌کنندگان با ریسک بالا برای نظارت کلیه و مدیریت فردی کمک کند. اعتبارسنجی چندمرکزه خارجی قبل از پیاده‌سازی بالینی ضروری است.

متن کامل اصلی