ప్యాంక్రియాటిక్ డిజార్డర్స్ & థెరపీ
అందరికి ప్రవేశం

నైరూప్య

మెషిన్ లెర్నింగ్ మోడల్‌తో ఫంక్షన్ ఆలస్యాన్ని అంచనా వేయడం: ప్యాంక్రియాటిక్ గ్రాఫ్ట్‌ల దీర్ఘకాలిక మనుగడను మెరుగుపరచండి

ఇమాన్యుయేల్ విజియా*, లూయిస్ రామల్‌హెట్, రీటా రిబీరో, ఇనేస్ ​​బారోస్, బీట్రిజ్ చుంబిన్హో, ఎడిట్ ఫిలిప్, అనా పెనా, లూయిస్ బిచో, అనా నోబ్రే, సోఫియా కారెల్హా, సోఫియా కొరాడో, మఫాల్డా సోబ్రల్, జార్జ్ లామెలాస్, జోయోన్ పాల్ హుగోస్, జోయోన్ పాల్ హుస్గోస్, , సుసానా కోస్టా, ఫెర్నాండో రోడ్రిగ్స్, మిగ్యుల్ బిగోట్ వియెరా, రీటా మాగ్రికో, ప్యాట్రిసియా కోటోవియో, ఫెర్నాండో కైరో, ఇనెస్ ఎయిర్స్6, సిసిలియా సిల్వా, ఫ్రాన్సిస్కో రెమెడియో, అమెరికా మార్టిన్, అనిబల్ ఫెర్రినో, జెర్కోలాగెర్‌ప్రీనాన్,

The impact of delayed graft function on outcomes following various solid organ transplants is well documented and addressed in the literature. Delayed graft function following various solid organ transplants is associated with both short- and long-term graft survival issues. In a retrospective cohort study including 106 patients we evaluated whether pancreas graft survival differs according to moment of insulin therapy following simultaneous pancreaskidney transplant. As a result, we aimed to identify possible risk factors and build a machine-learning-based model that predicts the likelihood of dysfunction following SPK transplant patients based on day zero data after transplant, allowing to enhance pancreatic graft survival. Feature selection by Relief algorithm yielded donor features, age, cause of death, hemoglobin, gender, ventilation days, days in ICU, length of cardiac respiratory arrest and recipient features, gender, long-term insulin, dialysis type, time of diabetes mellitus, vPRA pre-Tx, number of HLA-A mismatches and PRDI, all contributed to the models' strength.