Post-transplant survival prediction in liver transplantation: implications for organ acceptance
Karaciğer nakli sonrası sağkalım tahmini: organ kabulüne yönelik etkileri
- Tez No: 994433
- Danışmanlar: PROF. DR. BURHANEDDİN SANDIKÇI
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Gref yaşaması, Karaciğer nakli, Makine öğrenmesi, Graft survival, Liver transplantation, Machine learning
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Karaciğer nakli, son evre karaciğer hastalığında tercih edilen tedavi yöntemidir. Ancak organ bağışı ve nakil ihtiyacı arasındaki ciddi dengesizlik, organ dağıtımı ve kabul/red kararlarında zorluklar yaratmaktadır. OPTN (Organ Procurement and Transplantation Network) verilerine göre, 2024 yılında Amerika Birleşik Devletleri'nde 10.854 kadavra donörlü karaciğer nakli gerçekleştirilirken, 15.396 yeni hasta bekleme listesine kaydedilmiştir. Bu fark, organ erişilebilirliğinin sınırlı olduğunu ve doğru tahmin modellerine olan ihtiyacı vurgulamaktadır. Donör–alıcı eşleştirmesinde sağkalımı güvenilir biçimde tahmin eden modeller, hem organın etkin kullanımını artırmak hem de klinik sonuçları iyileştirmek için kritik bir öneme sahiptir. Bu çalışmanın temel amacı, karaciğer nakli sonrası uzun dönem sağkalımı tahmin etmek için makine öğrenmesi modelleri geliştirmek ve bu modelleri organ kabul kararlarını desteklemede kullanmaktır. Çalışma, dört farklı zaman aralığı için (1 yıl, 1-3 yıl, 3-5 yıl ve 5-10 yıl) sağkalım olasılıklarını tahmin etmeyi ve bu tahminleri organ tekliflerinin kabul ya da reddedilmesi kararına entegre etmeyi hedeflemektedir. Çalışmada, United Network for Organ Sharing (UNOS) veri tabanından 2014-2024 yılları arasında gerçekleştirilen 72.379 kadavra donörlü, erişkin, ilk kez yapılan karaciğer nakli verisi kullanılmıştır. 18 yaş altı hastalar, canlı donör nakilleri, çoklu organ nakilleri ve daha önce karaciğer nakli geçirmiş hastalar çalışma kapsamı dışında bırakılmıştır. Veri temizleme sürecinde, eksik veri oranı yüksek olan veya nakil sonrası toplanan değişkenler çıkarılmış, kategorik değişkenler klinik anlamlılığa göre gruplandırılmıştır. Kaplan-Meier analizi ile tanı ve kanser türü sınıflandırmaları doğrulanmıştır. Cox Oransal Hazard Modeli (Cox PH modeli), LASSO (Least Absolute Shrinkage and Selection Operator) regresyonu ile klinik uzman değerlendirmesini içeren bir değişken seçimi süreci sonucunda, başlangıçtaki 416 değişken 33 anlamlı değişkene indirgenmiştir. Seçilenler arasında alıcı yaşı, serum kreatinin, vücut kitle indeksi, fonksiyonel durum, donör yaşı ve boyu, soğuk iskemi süresi, serum sodyum, INR ve tanı kategorileri gibi hastaya, donöre ve operasyona dair değişkenler yer almaktadır. Yöntemsel yaklaşım, sınıflar arasındaki ciddi dengesizliği ele almaya odaklanmıştır. Dengesizlik Oranı (IR), zaman aralıklarına göre sırasıyla 15.64, 8.83, 6.67 ve 5.02 olarak hesaplanmıştır. Bu dengesizlikle başa çıkmak için üç farklı strateji uygulanmıştır: dengesizliğe müdahale edilmeyen modeller, azınlık sınıfının yanlış sınıflandırılmasına daha yüksek ceza veren ağırlıklı modeller ve dengeli alt kümeler oluşturarak sonuçlarını birleştiren undersampling-bagging yöntemi. Bu yaklaşımlar için Lojistik Regresyon, Düzenlileştirilmiş Regresyon, Karar Ağaçları, Rastgele Ormanlar, XGBoost (Extreme Gradient Boosting), SVM (Destek Vektör Makinesi) ve MARS (Çok Değişkenli Uyarlamalı Regresyon Eğrileri) dahil olmak üzere makine öğrenmesi modelleri eğitilmiştir. Modeller 10 katlı çapraz doğrulama ile eğitilmiş ve AUC, duyarlılık ve özgüllük metrikleri ile değerlendirilmiştir. Çalışmada geliştirilen makine öğrenmesi modellerinin performansı, zaman aralığı uzadıkça sistematik olarak artış göstermiştir. En kısa zaman aralığında (<1 yıl) AUC değerleri 0.50-0.65 arasında değişirken, en uzun zaman aralığında (5-10 yıl) bu değerler 0.63-0.69 aralığına yükselmiştir. Bu iyileşme, nakil sonrası olayların zamanla birikmesi, veri setindeki sınıf dengesizliğinin azalması ve uzun dönemli risk kalıplarının daha net hale gelmesi ile açıklanabilir. Tüm zaman aralıklarında en iyi performansı ağırlıklı XGBoost modeli göstermiş ve Cox PH modelinin referans performansını aşmıştır. Sınıf dengesizliği ile başa çıkma stratejilerinin etkisi belirgin olmuştur; varsayılan modeller yüksek doğruluk (>0.90) göstermesine rağmen neredeyse tüm gözlemleri çoğunluk sınıfı olarak tahmin etmiş, duyarlılık ~1.0 iken özgüllük ~0.0 seviyesinde kalmıştır. Buna karşılık, ağırlıklı ve undersampled bagging modelleri duyarlılık-özgüllük dengesi açısından çok daha gerçekçi ve klinik olarak anlamlı sonuçlar üretmiştir. Önemli değişkenlere ilişkin analiz, alıcı yaşının tüm modellerde en belirleyici faktör olduğunu; bunu serum kreatinin düzeyinin izlediğini göstermiştir. Soğuk iskemik süre, alıcı vücut kitle indeksi, fonksiyonel durum, donör yaşı ve boyu, serum sodyum seviyesi, INR seviyesi ve hastanın ana tanı kategorileri nakil sonrası sağkalım açısından en kritik değişkenler arasında bulunmuştur. Bu modellerle üretilen sağkalım olasılıkları, organ tekliflerini değerlendirirken cerrahların karar süreçlerine entegre edilerek deneyim ve basit skorlamaların ötesinde, alıcı–donör–operatif faktörlerin karmaşık etkileşimlerini yansıtan, kişiye özgü tahminler sunabilmektedir. Sağkalım tahminlerinin yanı sıra, organ kabul/red kararını desteklemek için bir simülasyon çalışması geliştirilmiştir. Bu simülasyon bileşeni, organ kabul eğilimleri ve bunların transplantasyon karar süreçlerine etkilerine dair önemli fikirler sunmuştur. Bölgelere özgü donör dağılımlarına dayanarak rastgele oluşturulan organ teklifleriyle 10.000 hasta simüle edilmiş ve hastaların %51,68'inin 96 tekliflik süreç içinde bir organı kabul ettiği görülmüştür. Bulgular, MELD düzeyleri ile ilk teklif kabul oranları arasında bazı ilişkiler olduğunu ortaya koymaktadır: Status 1 hastaları ilk tekliflerini çoğunluka kabul ederken, MELD skoru 25–34 olan hastalarda ilk teklif kabul oranı %10'un altına düşmüş ve bu hastalar kabulden önce ortalama 900 gün beklemiştir. En dikkat çekici bulgulardan biri, en yüksek MELD kategorisindeki (35+) hastaların davranışıdır. Bu hastalar tekliflerin %95'inden fazlasını reddetmelerine ve çok sayıda teklifi değerlendirmelerine rağmen, dağıtım politikalarının onlara daha sık organ teklifi sağlaması nedeniyle MELD 25–34 aralığındaki hastalardan daha kısa bekleme sürelerine sahip olmuştur. Bu durum, mevcut sistemde önemli bir gerilimi gözler önüne sermektedir: MELD 25–34 grubundaki hastalar, daha iyi organ kalitesini beklemek ile çok uzun bekleme sürelerine maruz kalmak arasında sıkışırken, en ağır hasta grubunun aşırı seçiciliği mevcut donör havuzuyla uyumlu gerçekçi kalite beklentilerinin ne olması gerektiğine dair soru işaretleri yaratmaktadır. Tüm bu bulgular, özellikle orta MELD kategorilerinde beklentiler ile gerçekçi sonuçlar arasındaki farkın en belirgin olduğu durumlarda, hastaların ve transplantasyon ekiplerinin organ kalitesi beklentilerini bekleme listesi mortalite riskiyle daha doğru şekilde dengelemelerine yardımcı olacak karar destek araçlarına duyulan ihtiyacı vurgulamaktadır. Bu çalışma, hem bireysel hasta düzeyinde daha iyi sağkalım sonuçları elde etmek hem de transplantasyon sisteminin genel verimliliğini ve adalet ilkesini güçlendirmek için makine öğrenmesinin karaciğer transplantasyonunda nasıl kullanılabileceğine dair önemli bir metodolojik çerçeve ve gelecekteki araştırmalar için sağlam bir temel sunmaktadır.
Özet (Çeviri)
Liver transplantation is the standard treatment for end-stage liver disease. However, the imbalance between organ demand and supply leads to difficult decisions regarding organ acceptance and allocation. Predicting long-term survival after transplantation remains a challenge, as traditional scoring systems are limited in their ability to represent the complexity of donor, recipient, and operative factors. This study aims to develop machine learning models designed to predict post-transplant survival to support clinical decisions about whether to accept or decline an organ offer. Using data from the United Network for Organ Sharing (UNOS) registry, this study analyzed 72,379 deceased-donor, adult, first-time liver transplants performed between 2014 and 2024 in the United States. After thorough data cleaning and a feature selection processes including Cox Proportional Hazards (PH) model, LASSO (Least Absolute Shrinkage and Selection Operator) regression, and clinical review, the initial set of 416 variables were reduced to 33 predictive variables regarding the recipient, donor and the operative factors. To address the severe imbalance between the classes (namely, alive and dead), the analysis compared three strategies: models trained with no imbalance correction, weighted models that increased the penalty for misclassifying death cases, and an undersampled bagging approach that created relatively more balanced training subsets. Across these settings, a range of algorithms were evaluated, including Logistic Regression, Regularized Regression, Decision Trees, Random Forests, XGBoost (Extreme Graident Boosting), SVMs (Support Vector Machines), and MARS (Multivariate Adaptive Regression Splines). Survival was modeled as a set of classification tasks for four commonly cited post-transplant periods: 1 year, 1–3 years, 3–5 years, and 5–10 years. Models were tuned using 10-fold cross-validation, and performance was assessed using AUC, sensitivity, and specificity as these metrics are more informative than overall accuracy in imbalanced datasets. Gradient Boosting methods (namely weighted XGBoost) produced the strongest results for all time periods, with AUC values ranging from 0.645 to 0.69 and outperformed the Cox model benchmark. Performance of all classification models improved in longer time horizons, due to both increased event rates and clearer separation between alive or censored patients and deaths. Analysis of variable importance showed that recipient age was the most important factor across all models, followed by serum creatinine. Cold ischemic time, recipient BMI (Body Mass Index), functional status, donor age and height, serum sodium, INR (International Normalized Ratio), and diagnosis categories were also found as significant variables in predicting post-transplant survival. The survival probability estimates generated by these models could also be integrated into clinical decision support systems to influence transplant surgeons' judgment when evaluating organ offers. Instead of than relying solely on experience and simple scoring systems, clinicians could access patient-specific predictions that describe complex interactions between recipient, donor, and operative factors. This thesis complemented the survival analysis with a simulation study to guide organ acceptance decisions. In this simulation model, donor characteristics were modeled using fitted probability distributions for each OPTN (Organ Procurement and Transplantation Network) region, revealing significant differences in organ quality. These donor distributions were then integrated into an acceptance model to estimate waiting times for a better-quality organ to help assess the trade-offs between accepting or rejecting the current offer. The findings in this thesis aim to assist transplant teams in evaluating organ offers and strengthening pre-transplant decisions. On a wider scale, better survival prediction could support more efficient resource use and help shape consistent organ allocation policies.
Benzer Tezler
- Hepatosellüler karsinom nedeniyle karaciğer transplantasyonu yapılan hastalarda sağkalım ve prognostik faktörlerin retrospektif incelenmesi ile post-transplant hepatosellüler karsinom gelişen hastaların analizi
A retrospective analysis of survival and prognostic factors in patients undergoing liver transplantation for hepatocellular carcinoma and evaluation of patients developing post-transplant hepatocellular carcinoma
BERKCAN AYDIN
Tıpta Uzmanlık
Türkçe
2026
Onkolojiİstanbul Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. BİLGER ÇAVUŞ
- Karaciğer transplantasyonu yapılan hastaların BK virüs yönünden izlemi
Monitoring of BK virus in liver transplant recipients
KÜBRA DEMİR ÖNDER
Tıpta Uzmanlık
Türkçe
2013
Enfeksiyon Hastalıkları ve Klinik MikrobiyolojiDokuz Eylül ÜniversitesiEnfeksiyon Hastalıkları ve Klinik Mikrobiyoloji Ana Bilim Dalı
PROF. DR. VİLDAN AVKAN OĞUZ
- Akdeniz Üniversitesi Tıp Fakültesinde karaciğer nakli yapılan hastaların sağkalım süreleri üzerine etkisi olan parametrelerin incelenmesi ve karşılaştırılması
Investigation and comparison of parameters affecting survival qnliver transplant patients at Akdeniz University
TUĞBA KARAÇAMLI
Tıpta Uzmanlık
Türkçe
2025
GastroenterolojiAkdeniz Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. İNCİ SÜLEYMANLAR
- Ege Üniversitesi Tıp Fakültesi Gastroenteroloji Kliniğinde primer sklerozan kolanjit tanılı hastaların demografik, klinik ve laboratuvar özellikleri, klinik sonlanımları ve mortalite prediktörlerinin belirlenmesi
In the Ege University Faculty of Medicine Gastroenterology Clinic determination of demographic, clinical and laboratory characteristics, clinical outcomes and predictors of mortality in patients diagnosed with primary sclerosing cholangitis
MUSTAFA MUSTAFAYEV
Tıpta Uzmanlık
Türkçe
2023
İç HastalıklarıEge Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. İLKER TURAN
- Mash ve kriptojenik karaciğer sirozu nedenli karaciğer nakli olmuş olgularda posttransplant MASLD rekürrensi ve ilişkili faktörler
Başlık çevirisi yok
AHMET ENES AYDIN
Tıpta Uzmanlık
Türkçe
2025
GastroenterolojiEge Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. İLKER TURAN