Regeneron ISEF 2025 大奖：BMED031 - 数据驱动的肝移植预测评分

终末期肝病模型 (MELD) 评分是一种广泛使用的工具，它可以预测 90 天候补名单死亡率，但未能考虑移植后存活率，导致器官分配不理想和长期预后不佳。本研究提出了一个系统性的机器学习流程，结合特征选择、预测模型和可解释性分析，以评估临床和供体变量对肝移植受体 90 天移植后存活率的影响。本研究使用来自器官共享联合网络 (UNOS) 的数据（包含 341,208 名候选患者和 22,123 名供体），研究了训练机器学习算法（包括随机森林、LightGBM、决策树、Hist Gradient Boosting 和 XGBoost）对钠、胆红素、肌酐和冷缺血时间等关键临床变量进行训练。XGBoost 表现出色，预测准确率达到 96%，AUC 为 0.85，优于 MELD 的 48%。分析确定了关键的生存预测因素，例如冷缺血时间、供体死亡原因、供体ICU住院时间以及接受者的临床病史，再次证明了该模型在最大程度减少器官浪费和准确预测风险方面的可靠性。虽然机器学习模型提高了预测准确性，但其在临床环境中的直接应用受到复杂性的限制。PRESTO（生存和移植结果预测评估）评分和桌面软件的开发旨在弥补这一缺陷。该系统将机器学习流程中的关键变量整合到基于Cox回归的评分模型中，并采用MELD评分供临床应用。这项研究将机器学习的精确性与PRESTO的实用性相结合，提供了一个可操作的框架，可以改善生存结果、减少器官浪费并确保公平分配，并有望应用于其他器官移植领域。