编辑推荐：
当前循环死亡后器官捐赠（DCD）数量受限，因难以预测拔管后心脏死亡时间。研究人员训练并验证 ODE - RNN 模型预测死亡时间（TTD）。该模型准确性高，能助力降低器官获取成本、改善移植效果，对缓解器官短缺意义重大。
在器官移植领域，器官短缺一直是困扰医学界的难题。循环死亡后器官捐赠（DCD）被视为缓解这一困境的重要途径。然而，目前 DCD 的推广面临诸多挑战，其中最关键的问题是难以准确预测患者在终末期拔管（TE）后心脏死亡的时间。这一不确定性导致器官获取组织（OPOs）无法有效评估潜在 DCD 供体，增加了器官获取成本，还可能对移植后的效果产生负面影响，比如延长器官缺血时间，降低移植成功率。
为了解决这一难题，来自耶鲁大学（Yale University）的研究人员开展了一项重要研究。他们训练并对外验证了一种名为 ODE - RNN 的模型，该模型结合了递归神经网络（RNN）和神经常微分方程（Neural ODE），能够有效处理不规则采样的时间序列数据。研究人员利用来自耶鲁纽黑文医院（Yale New Haven Hospital）的 3238 名患者队列进行模型训练，并在来自康涅狄格州六家医院的 1908 名患者的外部队列中进行验证。
研究结果显示，ODE - RNN 模型在预测患者是否会在拔管后的前 30 分钟和 60 分钟内死亡方面表现出色，准确率分别达到 95.3 ± 1.0% 和 95.4 ± 0.7%，校准误差仅为 0.024 ± 0.009。此外，研究人员还通过该模型确定了心率、呼吸频率、平均动脉血压（MAP）、血氧饱和度（SpO2）和格拉斯哥昏迷评分（GCS）等是预测死亡时间的重要指标。
该研究成果发表在《Scientific Reports》上，具有重要意义。准确预测死亡时间有助于 OPOs 更高效地评估潜在 DCD 供体，降低器官获取成本，提高移植成功率，从而为缓解器官短缺问题提供有力支持。
研究人员开展研究时用到的主要关键技术方法包括：使用两个独立的患者队列，即耶鲁纽黑文医院的患者队列和来自六家不同医院的外部队列，为模型训练和验证提供数据；采用 ODE - RNN 模型，该模型独特的结构使其能够处理临床数据中的不规则采样和缺失值问题；运用多种评估指标，如总体分类准确率、成对二元分类指标（包括阳性预测值（PPV）、阴性预测值（NPV）、受试者工作特征曲线下面积（ROC - AUC）和精确召回曲线下面积（PR - AUC））以及预期校准误差（ECE），全面评估模型性能。
建模纵向临床变量
临床数据包含静态和纵向变量，纵向变量测量时间不规则且存在缺失值。研究人员使用 ODE - RNN 模型，该模型结合 RNN 和 Neural ODE，通过累积纵向和静态变量创建患者临床历史摘要（即潜在表型），有效解决了这些问题，使其在处理包含静态和纵向变量的电子健康记录（EHRs）方面表现出色。
预测性能评估
研究人员将 ODE - RNN 模型与 UNOS 标准（目前广泛用于识别 DCD 候选者的临床评分）以及其他机器学习模型（如 XGBoost、RNN、LSTM、GRU 和 GRU - D）进行比较。在耶鲁纽黑文医院队列和外部验证队列的测试中，ODE - RNN 模型在预测 30 分钟、60 分钟和 120 分钟内的死亡时间方面，各项性能指标均优于其他模型，校准效果也最佳，这表明该模型的概率输出非常可靠。此外，即使在扩展时间框架（如 30 - 240 分钟）以及使用拔管前 12 小时的数据进行早期预测时，ODE - RNN 模型依然表现出色。
变量重要性评估
研究人员通过排列重要性测试评估不同临床变量对模型预测的重要性和影响。结果发现，在纵向变量中，心率是 ODE - RNN 模型预测中最重要的变量，其次是呼吸频率、MAP、SpO2和 GCS 评分。而角膜反射和咽反射对预测的影响最小。同时，静态变量的重要性明显低于纵向变量。并且，在不同的二元任务中，变量的重要性具有很强的一致性。
患者表型景观分析
ODE - RNN 模型学习到的患者表型能够准确预测 TTD，这些表型形成了患者队列的连续景观（即表型景观）。研究人员使用 PHATE（一种降维方法）对表型景观进行可视化分析，发现患者在表型上存在连续的变化，且与 TTD 以及心率、SpO2、GCS 等临床变量相关。例如，心率的变化范围比平均值与 TTD 的相关性更强。此外，通过对表型景观的分析，还发现 TTD <120 分钟和 TTD> 120 分钟的患者之间存在明显的临床差异，并进一步确定了影响短范围（≈30 分钟）和中范围（≈60 分钟）TTD 的临床驱动因素。
在研究结论和讨论部分，该研究表明，提高 DCD 捐赠数量对缓解器官短缺至关重要，但目前拔管后循环死亡时间的不可预测性严重阻碍了 DCD 的发展。以往的临床评分和预测模型存在局限性，而 ODE - RNN 模型在预测 TTD 方面表现出卓越的性能，具有较高的准确率、可靠的校准度，且能进行细粒度的评估。此外，通过变量重要性分析和患者表型景观分析，为临床发现提供了有价值的信息。不过，该研究也存在一定局限性，如患者队列并非直接来自 OPOs，部分患者可能不符合器官捐赠条件。但总体而言，该研究为未来进一步研究机器学习模型在提高 DCD 成功率方面的应用奠定了坚实基础，有望推动器官移植领域的发展。
