Model optimizacije zasnovan na simulaciji za proučavanje uticaja popisa više regija i razmjene informacija na ishode transplantacije bubrega

Zahra Gharibi 1,* i Michael Hahsler 2

sažetak:Više od 8000 pacijenata na listi čekanjabubregtransplantacija umre ili postane nepodobna za primanje transplantacija zbog pogoršanja zdravlja. U isto vrijeme, više od 4000 oporavljenih bubrega od preminulih donora se svake godine odbaci u Sjedinjenim Državama. Ovaj rad razvija model optimizacije zasnovan na simulaciji koji uzima u obzir nekoliko ključnih faktora za abubregtransplantacije za poboljšanjebubregkorišćenje. Za razliku od većine predloženih modela, predstavljeni model optimizacije uključuje detalje procesa ponude, pogoršanja zdravlja pacijenata ibubregkvaliteta tokom vremena, korelacija između zdravlja pacijenata i odluka o prihvatanju, te vjerovatnoća prihvatanja putem bubrega. Parametre modela procjenjujemo korištenjem podataka dobivenih iz Ujedinjene mreže za dijeljenje organa (UNOS) i Naučnog registra transplantiranih primatelja (SRTR). Koristeći ove parametre, ilustrujemo snagu optimizacionog modela zasnovanog na simulaciji koristeći dve povezane aplikacije. Prvi istražuje efekte ohrabrivanja pacijenata da idu na listu čekanja u više regija na ishode nakon transplantacije. Ovdje model optimizacije zasnovan na simulaciji omogućava pacijentu da odabere najbolje regije u kojima će se naći na listi čekanja, s obzirom na njihove omjere potražnje i ponude. Druga aplikacija se fokusira na sistemski aspekt transplantacije, odnosno doprinos razmjene informacija o poboljšanju stope odbacivanja bubrega i socijalnoj zaštiti. Istražujemo efekte korištenja moderne informacijske tehnologije kako bismo ubrzali pronalaženje odgovarajućeg pacijenta s dostupnim donorskim organom na smrtnost na listi čekanja, broj odbačenih bubrega i stope transplantacije. Pokazujemo da je podrška moderne informacijske tehnologije koju trenutno razvija Ujedinjena mreža za dijeljenje organa (UNOS) neophodna i može značajno poboljšati korištenje bubrega.

Ključne riječi:simulacijski model;bubregprihvatanje;bubregalokacija; listanje više regija; dijeljenje informacija

Kontakt:joanna.jia@wecistanche.com

Cistanchetubulosa sprječava bolest bubrega, kliknite ovdje da biste dobili uzorak

1. Uvod

Hroničnibubregbolest (CKD) je progresivni gubitakbubregfunkcija tokom vremena. CKD je svjetska zdravstvena kriza jer, u ovom trenutku, više od 2 miliona pacijenata pati od završnog stadijuma bubrežne bolesti (ESRD) ili zatajenja bubrega. Očekuje se da će se broj pacijenata s dijagnozom ESRD-a povećavati po stopi između 5 i 7 posto svake godine [1]. Trenutno ne postoji lijek zabubregneuspjeh, a pacijenti sa ESRD-om moraju često primati dijalizu ili transplantirati bubreg od živog ili umrlog donora da bi preživjeli. Za većinu pacijenata, transplantacija bubrega je preferirani tretman koji pruža duži životni vijek uz veću kvalitetu života od dijalize. Međutim, pacijenti širom svijeta suočeni su s kroničnim nedostatkom donorskih bubrega dostupnih za transplantaciju.

Trenutno je u SAD-u blizu 100,000 pacijenata na listi čekanja, a u prosjeku se svakog mjeseca prijavi preko 3000 novih pacijenata. Svake godine više od 4000 pacijenata umre dok čekaju spasbubregtransplantacije, a preko 4000 se previše razboli i da bismo razumjeli razloge za tako visoku stopu odbacivanja, moramo pogledatibubregproces dodjele i ponude. Postoje značajne razlike između živih i umrlih bubrega donora i između različitih zemalja. Ovdje se fokusiramo nabubreziod preminulih donatora u SAD. Najvažniji kriterijumi za alokaciju bubrega umrlog donora su (1) medicinska kompatibilnost donor-primalac, (2) logistički faktori i (3) pozicija pacijenta na listi čekanja (npr. vreme čekanja, bodovi). Konkretnije, u SAD-u Ujedinjena mreža za dijeljenje organa (UNOS) upravlja Mrežom za nabavku i transplantaciju organa (OPTN) i odgovorna je za prikupljanje podataka i o pacijentima i o donatorima. Pored logističkih informacija i vremena čekanja, podaci na listi čekanja uključuju identitet pacijenta, demografske faktore (npr. spol, rasa, dob) i medicinske karakteristike (npr. ABO krvna grupa, humani leukocitni antigeni (HLA), panel reaktivni antitela (PRA)). Slično, da bi kreirao bazu podataka umrlih donora, UNOS dobija informacije o demografiji davalaca, logistici davalaca, oporavku i očuvanju i medicinskim karakteristikama donatora. u SAD-u su transplantirana ukupno 16.534 bubrega. Uprkos velikoj potražnji i značajnom nedostatku bubrega, otprilike jedan od pet bubrega dobijenih od preminulih donora se odbacuje [2].

Da bismo razumjeli razloge za tako visoke stope odbacivanja, moramo pogledatibubregallocation and offering process. There are considerable differences between living and deceased donor bubrezii između različitih zemalja. Ovdje se fokusiramo na bubrege od preminulih donora u SAD. Najvažniji kriterijumi za alokaciju bubrega umrlog donora su (1) medicinska kompatibilnost donor-primalac, (2) logistički faktori i (3) pozicija pacijenta na listi čekanja (npr. vreme čekanja, bodovi). Konkretnije, u SAD-u Ujedinjena mreža za dijeljenje organa (UNOS) upravlja Mrežom za nabavku i transplantaciju organa (OPTN) i odgovorna je za prikupljanje podataka i o pacijentima i o donatorima. Pored logističkih informacija i vremena čekanja, podaci na listi čekanja uključuju identitet pacijenta, demografske faktore (npr. spol, rasa, dob) i medicinske karakteristike (npr. ABO krvna grupa, humani leukocitni antigeni (HLA), panel reaktivni antitela (PRA)). Slično, da bi kreirao bazu podataka umrlih donora, UNOS dobija informacije o demografiji davalaca, logistici davalaca, oporavku i očuvanju i medicinskim karakteristikama donatora.

UNOS koristi centralizovanu kompjutersku mrežu za povezivanje svih organizacija za nabavku organa (OPO) i centara za transplantaciju. Dodijeliti doniranobubrezi, UNOS koristi svoj sistem usklađivanja donator-primalac. Svaki put novi preminuli donorbubregkada se preuzme za transplantaciju, UNOS primjenjuje algoritam pokretanja podudaranja, program koji upoređuje podatke o donorima sa podacima aktivnih pacijenata na listi čekanja. Redosledna lista pacijenata se generiše korišćenjem pravila i politika za raspodelu bubrega. Faktori koji se uzimaju u obzir prilikom kreiranja ove liste uključuju vrijeme čekanja, kompatibilnost imunološkog sistema donatora i primaoca, kvalifikovanost prioriteta živog davaoca, udaljenost od bolnice davaoca, beneficije za preživljavanje (podudaranje dugovječnosti donator-primalac) i pedijatrijski status.

Kompletan proces ponude je složen i ovdje se fokusiramo samo na glavne komponente koje su neophodne za simulacijski model o kojem se govori u ovom radu. Proces počinje s pacijentima navedenim u lokalnim OPO-ima (postoji 58 OPO-a u SAD-u, svaki sa svojim određenim područjem pružanja usluga), koji su medicinski kompatibilni i imaju najveći prioritet na listi čekanja. Ako lokalna dodjela nije uspješna, organ se nudi u regiji (SAD su trenutno podijeljene na 11 transplantacijskih regija) i konačno u cijeloj zemlji. Slike 1a,b prikazuju 11 geografskih regiona u SAD [3] i geografsku hijerarhiju procesa nuđenja bubrega, respektivno. Više detalja o politici nabavke i alokacije organa dostupno je u [4]. Jedan od razloga za davanje prioriteta lokalnim pacijentima ububregproces dodjele je smanjenje vremena između nabavke organa i implantacije. Ovo vrijeme se naziva Cold Ischemia Time (CIT) i igra bitnu ulogu u ishodima transplantacije bubrega [5,6].

Slika 2 i Tabela 1 pokazuju regionalne varijacije u CIT-u, vremenu čekanja ibubregishodi transplantacije širom SAD-a, respektivno. Postoje značajne varijacije u vremenu čekanja bubrega umrlih donora širom SAD-a. Više faktora može uticati na vrijeme čekanja pacijenta do transplantacije. Pored kliničkih faktora pacijenta kao što su krvna grupa i stepen senzibilizacije koju pokazuje PRA (panel reactive antibody), geografija i prebivalište pacijenta imaju ogroman uticaj na mogućnost pravovremenog transplantacije bubrega. Ovo je važno jer je veća vjerovatnoća da će regije s dužim CIT-om imati niže stope transplantacije i preživljavanja pacijenata. Tačnije, kao što sugeriraju rezultati jednogodišnjih i petogodišnjih stopa preživljavanja pacijenata i transplantata nakon transplantacije bubrega, regija 9 s najdužim CIT-om među svim regijama ima najnižu stopu preživljavanja jednogodišnjih i petogodišnjih pacijenata i transplantata među svih 11. regioni. Obično kada CIT dostigne 24 h, teško je naći pacijenta koji bi prihvatio ponuđeni organ. U većini slučajeva, bubrezi se odbacuju nakon 48 h CIT-a. Stoga bi smanjenje CIT bubrega putem poboljšanja u upravljanju moglo biti isplativ način za poboljšanje postojećeg sistema transplantacije i ishoda.

Transplantacijski hirurzi i regulatori u SAD-u izrazili su zabrinutost u vezi sa visokim uočenimbubregstope odbacivanja uprkos rastućoj listi čekanja, dugom vremenu čekanja i visokoj stopi uklanjanja liste čekanja. Tabela 2 pokazuje listu čekanja i informacije o transplantaciji za SAD i Eurotransplant (ET) zemlje. Eurotransplant je međunarodna neprofitna organizacija odgovorna za dodjelu i transplantaciju organa u Austriji (A), Belgiji (B), Hrvatskoj (HR), Njemačkoj (D), Mađarskoj (H), Luksemburgu (LR), Nizozemskoj (NL) i Sloveniji (SLO). Iako je broj doniranihbubrezia transplantacije obavljene 2019. u SAD-u dostigle su najviši nivo u istoriji, stopa odbacivanja bubrega od približno 26 posto (izračunato kao broj transplantacija preminulih bubrega u odnosu na dvostruko veći broj umrlih donora) i dalje je zabrinjavajuća, u poređenju sa ET stopa odbacivanja zemalja od 20 posto.

Najčešći razlog za doniranjebubregodbijanje i potencijalno odbacivanje su zabrinutost za kvalitet bubrega donora. Podaci pokazuju da bi transplantacijski hirurzi odbili bubrege lošeg kvaliteta za relativno zdravog pacijenta u nadi da će u budućnosti dobiti bolju ponudu [7]. Pored togabubregkvaliteta,bubregna stope prihvatanja i odbacivanja takođe može uticati sam proces alokacije [8]. Dokazi pokazuju da je manja vjerovatnoća da će bubrezi koji su odbačeni rano u procesu alokacije biti prihvaćeni kasnije [9]. Još jedna zabrinutost je sve veća averzija prema riziku u centrima za transplantaciju zbog izvještaja specifičnih za programe koji procjenjuju ishode nakon transplantacije. Ovo može dati poticaj centrima da traže bubrege većeg kvaliteta. Posljedično, oni mogu odbiti bubrege adekvatne za pacijenta, ali to predstavlja rizik od negativnog utjecaja na procjenu njihovih ishoda nakon transplantacije [8,10–15].

Još jedan razlog za nedovoljno visoko praćenjebubregupotreba je geografski disparitet SAD u pristupu transplantaciji bubrega. Tabela 3 pokazuje geografske razlike u broju preminulih donora, OPO-a i centara za transplantaciju u 11 regiona. Nekoliko država kao što su Wyoming, Idaho i Montana nemaju centre za transplantaciju uprkos visokoj stopi doniranja organa. Takve varijacije i razlike u OPO i ustanovama za transplantaciju organa mogu dovesti do nepravedne dostupnosti organa, lošeg pristupa njezi i nepotrebnog dugog vremena čekanja za neke pacijente. Jedan od pet strateških ciljeva UNOS-a je obezbjeđivanje jednakosti u pristupu transplantacijama i smanjenje geografskog dispariteta [16]. Kako bi se poboljšale šanse za dobijanje dobro usklađenog doniranog organa i smanjilo dugo vrijeme čekanja, pacijenti se mogu preseliti u regiju s kraćim vremenom čekanja ili se prijaviti u više centara za transplantaciju, koji se obično nalaze u različitim regijama [17]. UNOS je uspostavio višestruku politiku popisivanja koja dozvoljava pacijentima da budu upisani u više od jednog centra za transplantaciju.

Trenutno oko 4 posto pacijenata čeka abubregtransplantacije su višestruke liste, što je najveća stopa među svim organima [18].

Kao i kod svake prijave za transplantaciju, pacijent mora završiti testove evaluacije i biti predan propisima centra za transplantaciju, kao što je mogućnost da stigne do centra za transplantaciju u datom vremenu. Za upis u više centara, ovaj proces može biti prilično skup jer većina osiguravajućih kompanija možda neće nadoknaditi troškove dodatnih evaluacija [15,19]. Osim toga, pacijenti koji primaju transplantaciju organa moraju uzimati imunosupresivne lijekove kao dio svoje posttransplantacijske skrbi kako bi bili sigurni da njihovo tijelo ne odbacuje novi organ [20]. Stoga, pacijent treba da nauči može li se posttransplantacijska njega prenijeti u centar bliže njenom prebivalištu. Bez politika za adekvatnu finansijsku podršku za putne troškove, ovo jasno i dalje predstavlja problem u smislu pravičnosti i pravičnosti kojim kreatori politike treba da se pozabave.

U ovom radu predstavljamo stohastički simulacioni model koji se može koristiti za analizu uticaja promena na sistem alokacije bubrega i proces ponude. Simulacijski model uključuje zdravlje pacijenta, kvalitet donora i bubrega predstavljenBubregIndeks profila donora (KDPI) [21], pogoršanje kvaliteta bubrega donora zbog akumulacije CIT tokom procesa dodjele, kao i ponuda i potražnja bubrega. Nadalje, model uzima u obzir mogućnost da donorski bubreg ne može biti prihvaćen iz drugih razloga (npr. kratkotrajna bolest pacijenta, nedovoljno hirurških resursa, rezultat unakrsnog podudaranja). Koristeći parametre modela procijenjene iz podataka UNOS-a i Naučnog registra transplantiranih primatelja (SRTR), primjenjujemo simulacijski model da bismo istražili sljedeća dva ključna trenda za poboljšanje stope transplantacije bubrega od donatora:

1. Više lista: Premještanje u regiju s kraćim vremenom čekanja ili stavljanje na listu čekanja u više regija može pomoći pacijentu povećanjem šanse da dobije transplantaciju bubrega ranije. Posljedično, pacijent može poboljšati ishode nakon transplantacije zbog manjeg pogoršanja zdravlja zbog boravka na dijalizi. Međutim, nije lako razviti strategiju koja će voditi pacijentovu odluku o transferu ili višelistiranju. Odluku formulišemo kao problem maksimizacije korisnosti u okviru skupa ograničenja budžeta, udaljenosti i objekata na regionalnom nivou. Ponuda i potražnja uvelike variraju u 11 američkih regija i za različite krvne grupe. Takva varijacija dovodi do veoma različitih vremena čekanja, što dovodi do različitih očekivanih korisnosti i optimalnih strategija prihvatanja bubrega (izraženih kao optimalni prag kvaliteta bubrega). Da bismo izveli korisnost pacijenta za različite regije, koristimo simulacijski model da dobijemo korisnost prema individualiziranim optimalnim odlukama o prihvatanju transplantacije bubrega na osnovu zdravstvenog statusa pacijenta i ponude i potražnje za krvnom grupom pacijenta. Dobivene informacije koristimo za rješavanje problema optimizacije i izvođenje optimalne politike odabira regije.

2. Informaciona tehnologija: Brza i precizna komunikacija između UNOS-a i centara za transplantaciju neophodna je da bi alokacija organa bila efikasnija, što postaje još kritičnije u odnosu na pacijente na više listi. UNOS ima za cilj povećanje upotrebe informacionih tehnologija u alokaciji i transplantaciji organa. Oni su implementirali siguran sistem zasnovan na mreži koji prikuplja podatke kako bi poboljšao sposobnost sistema za transplantaciju da poboljša šanse pacijenta da dobije organ koji spašava život. Kako je tehnologija evoluirala, UNOS također potiče razvoj i korištenje moderne tehnologije kao što su mobilni uređaji za brže i efikasnije razmatranje donatorabubregnudi postizanje veće stope iskorištenja bubrega [22]. Na primjer, mobilni uređaji će olakšati prikupljanje ažuriranih podataka o dostupnosti pacijenata za transplantaciju (npr. putem aplikacije). Koristeći ove informacije, OPTN će brže alocirati bubreg, smanjujući propadanje bubrega i odbacivanje. U idealnom slučaju savršene informacije, OPTN bi mogao pronaći prvog pacijenta na listi čekanja koji će odmah prihvatitibubreg, smanjujući CIT i odbacivanje na minimum. Prikazana simulacija procjenjuje učinak realnog slučaja nesavršene razmjene informacija.

   
   

   
   

2. Pregled literature

U ovom odeljku razmatramo i medicinske i analitičke studije o transplantaciji organa relevantne za ovaj rad. Što se tiče medicinskih radova, uglavnom se fokusiramo na CIT i čekanje vremena na dijalizu kao dva nezavisna faktora rizika kojima se može upravljati koji efektivno doprinose ishodima transplantacije bubrega. Za analitičku sekciju pregledamo radove koji spadaju u jedan ili oba istraživačka toka koji se tiču ​​donošenja odluka o prihvatanju organa preminulih donora i dizajna procesa dodjele.

2.1. Medicinska literatura

Nekoliko istraživača širom Sjeverne Amerike, Južne Amerike i Europe proučavalo je povezanost između CIT-a ibubregishodi transplantacije [23,24]. Analiza koju su uradili Nieto-Ríos et al. [25] pokazuje da je CIT nezavisan faktor rizika za odloženu funkciju grafta (DGF). Tačnije, rizik od razvoja DGF-a raste kako CIT prelazi 18 h. Međutim, to ne utiče negativno na rezultate u akutnom odbacivanju ili gubitku transplantacije godinu dana nakon transplantacije.

Francuska studija Debout et al. [26] otkriva da se rizik od neuspjeha alografta nakon transplantacije i smrtnost značajno povećava za svaki dodatni sat CIT-a. Slična studija koju su proveli Valdivia et al. [27] u Andaluziji, Španija, potvrđuje da produženi CIT može uticati na stopu preživljavanja pacijenata i transplantata. Studija sugerira da dugi CIT može povećati rizik od početne loše funkcije transplantata, bez obzira na dob donora i primaoca. Kako se CIT povećava, povećava se i šansa za DGF. Međutim, štetna povezanost produženog CIT-a sa rizikom od DGF-a nije pojačana kod starijih donatora (npr. prošireni kriterijumi, donatori). Studija pokazuje da je učinak CIT-a na akutno odbacivanje transplantata bubrega (ARTR) uočljiviji među pacijentima koji su podvrgnutibubregretransplantacija. Analiza također sugerira da su donirani bubrezi sa CIT-om od 24 h ili duže izloženi većem riziku od ARTR-a u poređenju sa organima sa CIT-om manjim od 12 h. Koizumi et al. [6] izvještavaju da su regionalne varijacije u ishodima bubrega uočene u SAD-u, ali glavni razlog za ove varijacije je nejasan. Studija otkriva značajne varijacije vremena hladne ishemije (CIT) u različitim regijama za bubrege donatora. Konkretno, otkrili su da je veća vjerovatnoća da će regije s dužim CIT-om imati nižu stopu preživljavanja bubrega nakon transplantacije. Oni sugeriraju da poboljšanja u upravljanju mogu biti isplativ izbor za poboljšanje performansi trenutnog sistema transplantacije i mogućnost smanjenja stope odbacivanja organa.

Meier-Kriesche et al. [28] koriste podatke iz Renal Data System Registry Sjedinjenih Država (USRDS) kako bi razmotrili potencijalnu povezanost između vremena čekanja i ishoda transplantacije bubrega. Njihova studija potvrđuje da je dugo vrijeme čekanja značajan faktor rizika koji negativno utječe na preživljavanje transplantacije bubrega. Kao rezultat toga, oni sugeriraju da što ranije pacijenti sa ESRD dobiju transplantaciju bubrega, to su veće njihove šanse za dugoročno preživljavanje. Meier-Kriesche i Kaplan [29] istražuju važnost vremena čekanja na dijalizu kao najznačajnijeg nezavisnog faktora rizika zabubregishodi transplantacije. Kao dio svoje analize, primjenjuju Kaplan-Meier procjene i Coxove proporcionalne modele opasnosti na bazu podataka o bubrežnim podacima SAD-a kako bi istražili učinak vremena čekanja na preminulog donora.bubregrezultate. Njihovi nalazi pokazuju da je petogodišnja i desetogodišnja stopa preživljavanja transplantata značajno lošija među primaocima uparenih bubrega koji su čekali više od dvije godine na dijalizu u odnosu na uparenebubregprimaoci s vremenom čekanja kraćim od pola godine.

2.2. Analitička literatura

Analitička literatura se fokusira na dizajnbubregproces alokacije i često koristi simulacijske modele. Pitanja o kojima se raspravlja su efikasnost i pravičnost procesa raspodele i efekat odluke o prihvatanju bubrega.

Za analizu procesa raspodjele korištenog 2000. godine, Zenios et al. [30] predlažu dinamičku alokaciju resursa koja maksimizira očekivani životni vijek pacijenta nakon transplantacije bubrega, a minimizira nejednakost između pacijenata. Konstruirani simulacijski model pokazuje da trenutno primijenjena politika dodjele organa povećava očekivani životni vijek pacijenata prilagođen kvaliteti i smanjuje očekivano vrijeme čekanja.

Thebubregodluka o prihvatanju je centralna za čitav niz istraživanja. Ahn i Hornberger [31] razvijaju teorijski model koji uzima u obzir zdravlje pacijenta pri donošenju odluke o prihvatanju/odbijanju u vezi s kvalitetom ponuđenih bubrega. Njihova analiza otkriva da relativno zdrav pacijent može sebi priuštiti da bude selektivan u pogledu kvaliteta donorabubrezii očekuju bolji rezultat nakon transplantacije prihvatanjem visokokvalitetnog bubrega. Uticaj izbora pacijenta na sistem alokacije organa proučavali su Su i Zenios [32]. Studija uvodi model čekanja u čekanju koji analizira efekte izbora pacijenata na stope odbacivanja bubrega procjenom performansi sistema čekanja u skladu sa politikama prvi put-prvi-uslužen (FCFS) i posljednji-došao-prvi-uslužen (LCFS). Oni zaključuju da je LCFS efikasniji od FCFS. Zapravo, za razliku od LCFS, FCFS politika potiče pacijente da odbiju bubrege lošeg kvaliteta, što rezultira niskom iskorištenošću bubrega. S druge strane, model pokazuje da LCFS politika postiže optimalno korištenje organa. U drugoj studiji, Su i Zenios [33] istražuju ulogu izbora pacijenata u alokaciji bubrega koristeći sekvencijalni stohastički model dodjele. Model se bavi sukobom između izbora pacijenata i socijalne skrbi. Analiza razmatra dvije sheme, gdje prva pretpostavlja da pacijenti moraju prihvatiti svaki ponuđeni bubreg. Prvo najbolje rješenje je pronaći politiku raspodjele koja maksimizira socijalno blagostanje. Uvođenjem izbora pacijenata, prva najbolja politika se modificira kako bi se postigla druga najbolja politika. Kao rezultat toga, uvodi se uslov kompatibilnosti poticaja, koji prisiljava da se politika raspodjele osmisli na način da se osigura da će pacijenti prihvatiti svaku ponudu bubrega. Su i Zenios [34] uvode model dizajna mehanizma za alokaciju organa koji uzima u obzir izbor pacijenta. Pacijenti navode tipove bubrega (npr. kvalitet) koje žele da dobiju kada se učlane na listu čekanja za transplantaciju bubrega (ne u vrijeme ponude donora) i pridružuju se redu koji opslužuje deklarirani tip bubrega. Na taj način model smanjuje dug proces traženja identifikujući odgovarajuće pacijente koji žele da efikasnije prihvate izvučene bubrege donora.

Pravednost i pravičnost su važne teme Bertsimas et al. [35] proučavaju geografske razlike u pristupu preminulom donatorububrezi. Oni koriste aproksimaciju fluida za model čekanja kako bi formulirali optimalan način da se pacijent upiše na liste čekanja u više centara za transplantaciju. Pacijentov cilj je maksimizirati očekivani životni vijek uz minimiziranje troškova zagušenja. Kombinacijom analitičkih, simulacijskih i numeričkih rezultata, oni pokazuju da višestruko uvrštavanje na listu uvelike promiče geografsku jednakost i povećava donatorabubregsnabdevanje. Imati više donora dovodi do veće stope transplantacije i smanjuje stopu smrtnosti pacijenata na listi čekanja. Nekoliko studija [36–38] razvilo je modele koji omogućavaju nekompatibilnom paru donor-primalac da dobije bubreg živi-donator putem razmjene sa drugim nekompatibilnim parovima donor-primalac. Iako većina postojećih modela ima za cilj da maksimizira ukupan broj mogućih razmjena bubrega i socijalne skrbi, oni ne razmatraju komponentu pravednosti definiranu kao zadovoljstvo donatora i primaoca. Lee et al. [39] predstavljaju dvostepeni stohastički model programiranja koji razmatra pravednost u programima razmjene bubrega živih donora. Studija ispituje više scenarija kako bi se istražio uticaj pravednosti na ishode razmene bubrega. Brojčani rezultati pokazuju poboljšanje ishoda programa razmjene živih donora kada se uzme u obzir pravičnost u slaganju nekompatibilnih parova. Imajte na umu da neke studije o kojima se ovdje raspravlja razmatraju utjecaj pravednosti u transplantaciji bubrega živim; međutim, fokusiramo se samo na transplantacije pomoću bubrega preminulih donora.

Simulacije predstavljene u literaturi koriste snažne pretpostavke. Na primjer, Su i Zenios [33] pretpostavljaju da pacijenti moraju prihvatiti bilo koju ponudububreg, ili kod [34] pacijenata ne mogu promijeniti svoj prvobitno odabrani kvalitet bubrega. Osim toga, većina simulacija se obično fokusira na jednu varijablu. Na primjer, studija Ruth et al. [40] fokusira se na dužinu liste čekanja. Studija predlaže simulacijski model za proces dodjele organa i otkriva da će pod uslovima dodjele organa iz 1985. godine dužina liste čekanja nastaviti da raste. Simulacioni model koji predstavljamo u ovom radu daje detaljniju sliku uzimajući u obzir efekat odluka pacijenta, ponude i potražnje u različitim regionima, efikasnost procesa alokacije i očekivani efekat posttransplantacione korisnosti.

cistanche bodybuilding

3. Opis modela

U sljedećim odjeljcima detaljno ćemo raspravljati o glavnim komponentama i simulacijskih i optimizacijskih modela. Simulacijski modeli uključuju pacijenta (potražnja organa), preminulog-donorabubregadolazak (opskrba organa), proces uzastopne ponude bubrega umrlog donora kako bi se pronašao optimalni prag kvaliteta bubrega i očekivana korisnost nakon transplantacije za pacijenta sa datim zdravstvenim stanjem. Zatim koristimo izlaz simulacionog modela kao koeficijente ciljne funkcije optimizacionog modela da preporučimo politiku višestrukog popisivanja i predlažemo skup regiona koje pacijent može izabrati.

3.1. Simulacijski model

Razvijamo simulacijski model koji omogućava pacijentu da identificira optimalnobubregprag kvaliteta koji maksimizira njenu korisnost nakon transplantacije. Parametri modela zavise od ponude i potražnje regiona pacijenata. Mi simuliramobubregstrategija prihvatanja i rezultirajuća korisnost nakon transplantacije koja odgovara svakoj transplantaciji. Slika 3 ilustruje proces simulacije. U sljedećim odjeljcima raspravljamo o ključnim komponentama.

3.1.1. Potražnja za organima

Potražnju predstavljaju pacijenti na listi čekanja. Pacijente smo podijelili u nekoliko grupa kompetitivnih pacijenata koji mogu dobiti istu vrstu organa umrlog donora ovisno o krvnoj grupi i drugim kliničkim kriterijima. Modeliramo svaku grupu posebno. Razmotrit ćemo interakciju između grupa (npr. neki pacijenti sa krvnom grupom AB mogu dobiti organe od donatora sa bilo kojom krvnom grupom) prilagođavajući opskrbu organima pojedinačnim grupama.

Svaka kompetitivna grupa pacijenata je modelirana redom koji se odnosi na krvnu grupu j gdje je j ∈ {A, B, AB, O}. Pacijenti se mogu pridružiti svom usklađenom redu (npr. na osnovu krvne grupe) sa stopom λj i biti opsluživani od kompatibilnih donatora. Kompatibilanbubrezistići do krvne grupe j sa stopom od µi. Na primjer, za krvnu grupu A, kompatibilanbubrezisu tipova A i O. Pacijenti napuštaju listu čekanja j sa stopom transplantacije ηi kada (1) prihvate ponuđeni bubreg, ili (2) sa stopom θi ili se previše razbole za transplantaciju ili umru na listi čekanja . Struktura modela čekanja prikazana je na slici 4.

Nakon studije u [34], pacijenti krvne grupe j stižu prema Poissonovom procesu sa stopom dolaska λj kako bi se pridružili listi čekanja. Pacijenti se pridružuju listi čekanja u modelu sa neuočljivim početnim zdravstvenim statusom h0 koji predstavlja preostalo vrijeme koje mogu preživjeti na dijalizi kada se pridruže. Modeliramo distribuciju h0 u populaciji pacijenata koristeći Weibullovu distribuciju. Weibullova distribucija se često koristi u analizi preživljavanja za predstavljanje vremena do neuspjeha jer može izraziti stope neuspjeha koje se smanjuju, konstantne ili povećavaju tokom vremena. Zdravlje za simuliranog pacijenta, h0, je tada realizacija slučajne varijable H0 ∼ Weibull(a, b), gdje su a i b parametri skale i oblika, respektivno. Pacijenti napuštaju listu čekanja ako (1) dobiju transplantaciju ili (2) napuste red zbog lošeg zdravlja (ili smrti). Pošto je h0 vrijeme koje pacijent može preživjeti na dijalizi kada se pridruži listi čekanja (tj. indeks pokazuje da je do sada čekala nula godina), stvarno zdravlje nakon w godina čekanja je hw {{1{{ 11}}}} h0 − w što znači da će pacijent napustiti listu čekanja najkasnije kada w=h0.

3.1.2. Organ Supply

Nakon [34], kompatibilni preminuli donorbubrezistići u red za krvnu grupu j prema nezavisnom homogenom Poissonovom procesu sa stopom dolaska µj. OPTN definisan abubregmetrika kvaliteta nazvana Indeks profila donora bubrega (KDPI) koja uključuje deset kliničkih faktora donatora za rangiranje bubrega prema procijenjenom preživljavanju bubrega nakon transplantacije [41]. KDPI uzima u obzir sljedeće karakteristike donora: starost, visinu, težinu, etničku pripadnost, da li je donor umro zbog gubitka srčane funkcije ili gubitka funkcije mozga, moždani udar kao uzrok smrti, povijest visokog krvnog tlaka, povijest dijabetesa, izloženost virus hepatitisa C, kreatinin u serumu (mjera funkcije bubrega). Po konstrukciji, KDPI je skoro ravnomjerno raspoređen na sve bubrege ubrane u datoj godini. Prateći KDPI, modeliramo kvalitet bubrega donora koji stiže sa q0 kao realizaciju slučajne varijable Q ∼ Unif(0, 1). Koristimo 0 da predstavljamo najniži i 1 najviši kvalitet bubrega, tj. q0=1 − KDPI. Kada novi donorski bubreg postane dostupan u simulaciji, tada se bubreg istovremeno nudi grupi od g pacijenata sa određenim vremenskim okvirom da razmotre ponudu i donesu odluku o prihvatanju/odbijanju. Ako niko u grupi od g pacijenata ne može prihvatiti bubreg nakon predviđenog vremena, tada se bubreg nudi sljedećoj grupi od g pacijenata na listi čekanja. Proces dodjele se nastavlja sve dok pacijent ne prihvati organ ili ga odbaci (zbog neuspješne pretrage ili postavljanja organa). Za trenutni nedostatak bubrega donora imamo µj < λj,="" tj.="" bubrezi="" stižu="" manjom="" stopom="" od="" novih="" pacijenata.="" uklanjanje="" pacijenata="" zbog="" zdravlja="" ili="" smrti="" zadržava="" red="" na="" konačnoj="" veličini.="" duže="" liste="" čekanja="" rezultiraju="" dužim="" čekanjem="" i="" većim="" pogoršanjem="" zdravlja="" pacijenata.="" zauzvrat,="" ovo="" povećava="" stopu="" uklanjanja="" (pacijenti="" odlaze="" bez="" transplantacije).="" dužina="" reda="" se="" stabilizuje="" u="" ravnoteži="" u="" kojoj="" se="" stopa="" transplantacije="" plus="" stopa="" uklanjanja="" pacijenata="" poklapa="" sa="" stopom="" dolaska="">

3.1.3. Odluka o prihvatanju/odbijanju bubrega

Vremenom, kao proces donatorabubregponuda se nastavlja, bubreg akumulira CIT i njegov kvalitet se pogoršava. Modeliramo ovo pogoršanje kao qt {{0}} f(q0, δ, t). U ovoj jednačini, t predstavlja akumulirani CIT, a q0 predstavlja kvalitet bubrega u vrijeme oporavka kada je t=0. Varijabla δ predstavlja faktor pogoršanja kvaliteta bubrega. Zahtijevamo da funkcija kvaliteta f opada za δ i t, tj. ∂ f(q0,δ,t)∂δ < 0="" i∂="" f="" (q0,δ,t)="" ∂t="">< 0.="" u="" simulacijskom="" modelu="" vrijeme="" mjerimo="" kao="" višekratnike="" vremena="" dozvoljenog="" za="" jednu="" rundu="" ponuda.="" ako="" pacijenti="" imaju="" jedan="" sat="" da="" odluče,="" onda="" t="" predstavlja="" akumulirani="" grad="" u="" satima.="" modeliramo="" bubreg="" prihvatanje/odbijanje="" odluke="" pacijenta="" i="" naknadnu="" transplantaciju="" u="" dva="" koraka.="" prvo,="" pacijent="" koristi="" strategiju="" praga="" kako="" bi="" odlučio="" da="" li="" je="">bubregje prihvatljivo. Pacijent bi prihvatio ponudu ako je qt veći ili jednak k, gdje je k prag kvaliteta bubrega koji su odlučili pacijent i kirurg. Za prihvatljive bubrege uzimamo u obzir nekoliko faktora koji se odnose na zdravlje pacijenta i centar za transplantaciju. U simulacijskom modelu koristimo vjerovatnoću izvršenja transplantacije s obzirom da je prihvatljiv bubreg ponuđen kao

gdje p (faktori pacijenta) predstavlja specifičnu medicinsku situaciju pacijenta i svaku činjenicu za koju se pacijent ili hirurg može odlučiti protivbubregiz razloga koji nisu objašnjeni isključivo kvalitetom bubrega (npr. pacijent je privremeno neaktivan na listi čekanja, nepovoljan rezultat unakrsnog podudaranja). Verovatnoća p(faktori centra) predstavlja spremnost centra za transplantaciju (npr. dostupnost osoblja, operacionih sala, itd.) kao i razmatranja uticaja transplantacije na evaluaciju rada centra. Pacijent bira svoj prag odluke k u konsultaciji sa hirurgom. Na takav prag će uticati zdravstveno stanje pacijenta h0 jer će pacijent koji ima više vremena na dijalizi čekati kvalitetniji bubreg. Modeliramo ovaj odnos u simulaciji odabirom za svakog pacijenta od slučajne varijable K ∼ Unif(0,1) koja je u korelaciji sa pacijentovim sh0 predstavljenim Spearmanovim koeficijentom korelacije ranga ρH 0, K.

3.1.4. Patient's Post-Transplant Utility

Ako pacijent prihvati preminulog donorabubregponudi i dođe do transplantacije, pacijent dobiva posttransplantacijske pogodnosti. Korisnost nakon transplantacije zavisi od kvaliteta bubrega u vrijeme transplantacije qt, i pacijentovog vremena čekanja w što rezultira zdravstvenim statusom hw=h0 − w. Uslužni program nakon transplantacije može se podijeliti na dvije komponente

gdje B(·) predstavlja korist za pacijenta u zavisnosti odbubregkvaliteta, a D(·)računava pogoršanje stanja pacijenta na listi čekanja. Razbijanje uslužnog programa na ove dvije komponente ima koristi za procjenu parametara iz podataka. Funkcija B(·) može se posmatrati kao korist za pacijentkinju ako bi dobila bubreg sa kvalitetnim qt bez čekanja. Funkcija koristi treba da zadovolji da se povećava sa zdravljem pacijenta h{{0}} i kvalitetom bubrega, tj. ∂B(∂hh00, qt) > 0 i ∂ B(∂hq0t, qt) > 0. D(·) predstavlja trošak u obliku faktora pogoršanja zbog čekanja w za bubreg. Funkcija troškova treba da raste kako se vrijeme čekanja povećava i smanjuje sa zdravljem pacijenta., tj. Uobičajeni način definiranja funkcija poput B(·) je u obliku logističke regresije za preživljavanje koju je predložio Cox [42] koja modelira uslovne šanse za umiranje u bilo kom trenutku s obzirom na opstanak do te tačke

gdje m(h{{0}}) označava ishod transplantacije za pacijenta sa zdravstvenim nivoom h0 koji je odmah dobio savršen bubreg (qt=1) (w {{3 }}). Naravno, m(h0) raste sa pacijentovim zdravljem h0. Za D(·) koristimo funkcional iz

gdje kontrolira stopu propadanja. Faktor pogoršanja je jednak jedan (tj. nema pogoršanja) kada je vrijeme čekanja nula (w {{0}}). Ako pacijent čeka na veoma kvalitetan bubreg i ponestane vremena (tj. w=h0), tada faktor propadanja postaje nula. Izabrani funkcionalni oblik je vrlo fleksibilan i može izraziti linearno propadanje ( {{ 4}}), usporavanje propadanja ( > 1) i povećanje pogoršanja ( < 1).="" procjenom="" parametara="" iz="" podataka="" i="" korištenjem="" optimizacije="" simulacije="" možemo="" za="" svakog="" pacijenta="" pronaći="">bubregprag kvaliteta k∗ koji maksimizira korisnost nakon transplantacije.

3.2. Odabir regije i model optimizacije višestrukog popisa

Pacijent može poboljšati svoje šanse za transplantaciju tako što će se preseliti u drugu regiju (izbor regiona) ili uvrstiti u transplantacijske centre u više regija. Da bismo pomogli pacijentu da identifikuje skup regiona za višestruko uključivanje, koristimo simulacioni model da izračunamo optimalni parametar politike praga k∗i i maksimalnu očekivanu korisnost koju će pacijent verovatno dobiti od transplantacije u svakoj regiji. Ovo je predstavljeno sa 11 korisnih vrijednosti Ui(k∗i, h0, w), i ∈ 1, 2, . . . , 11. Radi jednostavnosti, pišemo Ui(k∗i) da predstavlja očekivanu korisnost nakon transplantacije za pacijenta sa datim h0 i w. Odabir regije se sada vrši odabirom regije s najvećom korisnošću.

Za višestruko uvrštavanje, mi predstavljamo akciju upisa u regiju i binarnom varijablom odluke

Pacijent ima 11 varijabli odlučivanja, po jednu za svaku regiju. Pretpostavljamo da će pacijent htjeti povećati svoje šanse navodeći najbolje regije s najvećom očekivanom korisnošću s obzirom na niz ograničenja. Ovo se može formulirati kao sljedeći problem optimizacije.

Zbrajanjem regionalne komunalne usluge osigurava se da su regije s najvećim komunalnim uslugama uključene u rješenje. Prvo ograničenje osigurava da rješenje zadovoljava ukupni budžet C datog pacijenta. Drugo ograničenje uzima u obzir maksimalnu udaljenost D koju pacijent može prijeći da bi stigao do centra za transplantaciju na vrijeme. Treće ograničenje razmatra pacijentova očekivanja o performansama regije P, i konačno, posljednje ograničenje ograničava rito na 0 ili 1. Pošto je broj regija mali, sa samo 11, ovaj problem se može riješiti nabrajanjem.

4. Aplikacije i numerički rezultati

Započinjemo ovaj odjeljak procjenom parametara potrebnih za simulacijski model, a zatim predstavljamo kako se model može koristiti za dvije aplikacije. Prva aplikacija ilustruje kako model može pružiti stratešku smjernicu koja će podržati pacijentov izbor da se preseli u drugu regiju ili da se prijavi u više regija.

Druga aplikacija analizira potencijalne prednosti korištenja moderne tehnologije za razmjenu informacija (npr. putem aplikacija za pametne telefone) za poboljšanje socijalne skrbi kroz povećanje korisnosti pacijenata nakon transplantacije ibubregstope iskorištenja.

cistanche bodybuilding

4.1. Parameters Estimation

Koristimo podatke UNOS-a i SRTR-a za procjenu parametara modela. Izvlačimo UNOS podatke za 2019. godinu kako bismo procijenili dodatke na listi čekanja i donatorebubregsnabdevanje. Za proračun vremena čekanja koristimo vrijednosti koje je prijavio SRTR. SRTR sistem podataka sadrži detaljne medicinske i demografske podatke za sve donatore, pacijente na listi čekanja i primaoce transplantacije u SAD. Korišteni skup podataka sastoji se od više od 400,000 pacijenata koji su prvi put primili transplantaciju bubrega od preminulog donora između oktobra 1987. i kraja 2019. godine.

Godišnji izvještaji SRTR-a i UNOS-a pružaju informacije o dolascima organa i aktivnostima na listi čekanja (npr. statistika dodavanja i uklanjanja pacijenata). Koristimo ove podatke za procjenu λj i µjin za svaki period.

Važan faktor za procjenu stope dolaska bubrega u red krvne grupe j je kompatibilnost krvne grupe između pacijenata i donora. Prema kriterijumima kompatibilnosti krvne grupe, davaoci krvne grupe O su univerzalni davaoci čiji se bubrežni organi mogu ponuditi pacijentima svih krvnih grupa. S druge strane, davaoci sa krvnom grupom AB mogu donirati svoje bubrege samo pacijentima krvne grupe AB, dok su oni univerzalni primaoci iz svih krvnih grupa. Tabela 4 detaljno prikazuje kompatibilnost krvnih grupa za transplantaciju bubrega. Ovaj rad prikazuje samo rezultate za krvnu grupu A. Slično se mogu dobiti i rezultati za druge krvne grupe. U tabeli 5 prikazani su davaoci i dolasci pacijenata za krvnu grupu A.

Na osnovu podataka SRTR-a, pacijenti krvne grupe A dobiju u prosjeku 94 posto, odnosno 6 posto organa od davalaca krvne grupe A i O, što se ogleda ububregparametar snabdevanja µj u tabeli 5. Prateći trenutnu šemu ponude koju koristi OPTN u SAD, koristimo veličinu grupe pacijenata od g=5 u našem simulacionom modelu. Postavili smo stopu degradacije bubrega δ na 5 posto prema izvještajima da se organi rijetko koriste nakon CIT od 48 h [6]. Kod δ=0.05, kvalitet bubrega se pogoršava na (1 − 0.05) {{10}}.5 postotak njegovog početnog kvaliteta nakon 48 h. Na osnovu razgovora sa medicinskim saradnikom, koristimo vjerovatnoću transplantacije p(transplant)=0.8 za sve regije. Iz podataka bi se mogla procijeniti i vjerovatnoća za svaku regiju, ali informacija o odbijanju ponude bubrega trenutno nam nije dostupna. Parametri , , i za funkciju koristi B(h0, qt) i faktor troškova C(h{{30}}, w) mogu se procijeniti ako se podaci o ishodu uključujući post -preživljavanje transplantacije je dostupno. Međutim, pošto naš skup podataka ne uključuje ove podatke, koristimo=0.4,=8 i=0.5 u našoj simulaciji. Dodajemo pacijente na listu čekanja sa zdravstvenim h0 izvučenim iz slučajne varijable H0 sa Weibullovom distribucijom. Koristimo parametar skale a=8 i parametar oblika b=2 da dobijemo prosječno zdravlje od blizu 7 godina i oko 90 posto populacije ispod 12 godina. Koristimo Spearmanovu rang korelaciju ρ(H0, K) od 0,2, blizu korelacije između prihvaćenog kvaliteta bubrega i zdravlja pacijenata uočenog u podacima.

4.2. Odabir regije i višestruki popis

Kako bismo ilustrirali pristup odabiru regije, izvještavamo rezultate za ciljnog pacijenta s krvnom grupom A, godinu dana života na dijalizi (h0=1) koji je trenutno na poziciji 100 liste čekanja. Ispunjavamo listu čekanja sa nasumično generiranim pacijentima (čije je zdravlje izvučeno iz Weibullove distribucije s koreliranim pragom politike). Izvodimo istu simulaciju 100 puta za vrijednosti praga odluke k ∈ {0, 0.1, 0.2, · · ·, 0.9} i usrednjavamo rezultate 100 pokretanja da bismo procijenili očekivanu korisnost za svaki prag.

U tabeli 6 prikazani su rezultati za optimalni prag, k∗i , što rezultira najvećim očekivanim korisnostima nakon transplantacije, Ui(k∗i ), za svaki region. Thebubregstopa dolaska u red čekanja (krvna grupa A na listi čekanja) godišnje je µA, a qt je prosječan kvalitet transplantiranog bubrega. Na primjer, ako je ciljni pacijent upisan u regiju 6, prag od k=0.65 je optimalan, što dovodi do korisnosti od 9,6 godina. Nasuprot tome, ako je ona upisana u regiju 2, optimalna odluka može biti čak 0.85 sa korisnošću od 13,22 godine.

Tabela 7 predstavlja procijenjene podatke koje smo koristili u našem modelu optimizacije da pronađemo skup izvodljivih regija za krvnu grupu A za koju se pretpostavlja da trenutno živi i da je upisan u regiju 6. Koristimo UNOS skup podataka za procjenu očekivanog vremena čekanja i { {2}}godišnja stopa preživljavanja za takve pacijente u svih 11 regija. U svakoj regiji biramo glavni grad i procjenjujemo njegove odgovarajuće mjesečne troškove života koristeći indeks troškova života u gradu. Trošak evaluacije se definira kao proizvod ukupnog očekivanog broja evaluacija dobubregtransplantaciju i cijenu po evaluaciji. Očekivani broj evaluacija se procjenjuje na osnovu 6-mjesečne politike ponovne evaluacije koju nalaže većina centara za transplantaciju. Općenito, pacijent je odgovoran za plaćanje troškova periodične evaluacije ako želi da bude upisan u više od jednog regiona jer većina polisa osiguranja pokriva troškove periodične evaluacije samo jedne registracije. Ukupni trošak se izračunava na sljedeći način: ukupan iznos novca koji pacijent mora platiti (broj evaluacija puta trošak evaluacije) plus trošak putovanja i boravka u drugoj regiji tri dana.

Kao primjer, ovdje pretpostavljamo da pacijent ima budžet od C=$15,000. Ona također može putovati do D=1500 milja, a njena minimalna očekivanja od učinka regije su 75 posto petogodišnjeg preživljavanja. S namjerom da maksimizira svoj post-transplantacijski ishod pod ova tri ograničenja, naš model otkriva da osim domaće regije 6, pacijent također može biti upisan u regije 5, 4 ili 8, pri čemu regija 5 pruža najveću očekivanu korisnost. OPTN je posvećen obezbjeđivanju jednakosti u pristupu transplantacijama i smanjenju geografskih dispariteta [16]. Pod besplatnim višestrukim popisom, pacijenti imaju poticaj da se upišu u što više regija mogu, s obzirom na njihova budžetska ograničenja. To znači da na pristup transplantaciji utiču finansijski resursi pacijenta, što može predstavljati problem u smislu pravičnosti i pravičnosti. Međutim, dugoročno gledano, besplatan izbor regiona i višestruki popisi mogu smanjiti geografske razlike. Više pacijenata će se prijaviti u regionima koji trenutno nude veću korisnost, izravnavaju razlike u potražnji i smanjujući jaz u komunalnosti. U tom trenutku, prednost većeg budžeta za angažovanje u više regiona će se smanjiti, što će dovesti do pravednije situacije. Kratkoročno, jednakost mora biti privremeno osigurana odgovarajućim politikama kako bi višestruki popisi bili dostupni većem broju pacijenata.

4.3. Utjecaj dijeljenja informacija na efikasnost alokacije

Jedna od inicijativa u Strateškom planu OPTN-a (2018–2021) [16] u cilju povećanja broja transplantacija je traženje sistemskih alata za efikasnije usklađivanje donator/primalac. Takvi alati uključuju alate za razmjenu informacija, što znači da centar za transplantaciju i pacijent dijele ažurirane informacije s OPTN-om, što ima potencijal da ubrzabubregproces alokacije i na taj način smanjiti vrijeme hladno ishemije (CIT) i stopu odbacivanja bubrega.

Informacije koje se mogu dijeliti uključuju:

1. Prag prihvatanja pacijenta k: Svaki pacijent je prijavljujebubregprag prihvatljivosti kvaliteta k koji su odlučile ona i njen ljekar.

2. Svi dodatni kriterijumi odluke koje koristi pacijent: Na odluke pacijenta i hirurga mogu uticati informacije koje nisu uključene ububregprocjena kvaliteta (KDPI). Imati standardiziranije parametre kvaliteta, gdje pacijent može unaprijed odrediti šta prihvata, poboljšalo bi sebubregalokacija. Pod potpunim informacijama, OPTN bi mogao momentalno identificirati pacijente koji bi prihvatili bubreg i uštedjeli vrijedan CIT.

3. Trenutna dostupnost pacijenta: ažurna indikacija da li pacijent trenutno može primiti transplantaciju. Faktori uključuju trenutno zdravlje i putovanja.

4. Raspoloživost centra za transplantaciju: Uzima se u obzir dostupnost centra za transplantaciju – postoje objekti kao što su pripremljene operacione sale, hirurzi, medicinske sestre i osoblje za obavljanje operacije na vreme.

Pod savršenom informacijom, OPTN bi imao pristup ažuriranim informacijama o svim pragovima prihvatljivosti k, svim dodatnim zahtjevima za organ io tome da li su pacijent i centar dostupni. Stoga bi OPTN mogao direktno identificirati prvog pacijenta na listi čekanja koji će prihvatiti i primiti transplantaciju. Ovo će efektivno smanjiti CIT, tj. t, na minimum potreban za vađenje organa i izvođenje transplantacije. U simulacijskom modelu, savršene informacije se mogu izraziti postavljanjem g na dužinu liste čekanja, što ukazuje da se cijela lista čekanja trenutno traži za odgovarajućeg pacijenta. Pretpostavljanje savršenih informacija je nerealno iz mnogo razloga. Na primjer, tehnički problemi mogu utjecati na dostupnost informacija, a pacijenti ili centri možda neće stalno ažurirati sve informacije. Realnije podešavanje je poboljšano, ali i dalje nesavršeno dijeljenje informacija. Više informacija znači da se pacijenti mogu brže identificirati pomoću zajedničkih informacija. Ovu činjenicu u simulacijskom modelu izražavamo povećanim brojem pacijenata koji se mogu pretraživati ​​po satu (tj. povećanjem g).

Da bismo ilustrirali učinak poboljšane razmjene informacija, izvještavamo o rezultatima za pacijente krvne grupe A u regiji 6. Inicijaliziramo listu čekanja sa 1000 pacijenata i izvodimo simulaciju dok se dužina liste čekanja ne stabilizira na oko 1800 pacijenata (200 mjeseci). Izvještavamo o rezultatima nakon ovog perioda zagrijavanja u prosjeku preko 300 mjeseci. Osnovna linija je trenutno korištena veličina grupe g=5. Mi variramo g da bismo predstavili različite nivoe dijeljenja informacija.

Tabela 8 pokazuje uticaj razmjene informacija izražen koliko pacijenata na listi čekanja se može efektivno uzeti u obzir po satu. U osnovnoj veličini grupe od pet, prihvaćeni prosječni kvalitet bubrega je 0.66, što dovodi do prosječne korisnosti od 10,76 godina po transplantiranom pacijentu. Bubreg može putovati do 45 pacijenata na listi čekanja, a u prosjeku ga prihvati šesti pacijent. Tabela 9 prikazuje stope iskorištenja bubrega i smrtnosti na listi čekanja, pored stope transplantacije. Stopa iskorištenja bubrega značajno raste kako se g povećava.

Kao što pokazuje Slika 5, poboljšanje ububregstopa transplantacije je 17 posto za udvostručenje brzine procesa ponude g=10, a dostiže 47 posto kada su savršene informacije dostupne. S druge strane, stopa smrtnosti na listi čekanja se smanjuje za 7 posto kada je g=10, a smanjenje može biti i do 21 posto. Simulacija ilustruje efekat na efikasnost koji razmjena informacija može donijeti u procesu dodjele.

Razmjena informacija može se implementirati na mnogo načina, koristeći trenutnu tehnologiju. Primjeri uključuju korištenje aplikacija i medicinskih nosivih uređaja za praćenje pacijentove dostupnosti gotovo u stvarnom vremenu. Standardizovani interfejsi između informacionog sistema centara za transplantaciju i OPTN-a mogu se koristiti za upravljanje dostupnošću centra. Uvođenje ovih tehnologija će potrajati, ali rezultati predstavljeni u ovoj simulacijskoj studiji pokazuju da je potencijalna isplativost značajna s potencijalom smanjenjabubregstope odbacivanja na minimum.

5. Završne napomene

Prvi doprinos ovog istraživanja je razvoj simulacionog modela koji daje optimalnog umrlog donorabubregsmjernice o prihvatanju za donosioce odluka (pacijente i hirurge). Glavni izazov modeliranja prihvatanja/odbacivanja organa je uključivanje stvarnih uslova i situacija kako bi se donela ključna odluka za spasavanje života. Iz tog razloga, naša primarna namjera kao glavna novina ovog rada je da prepoznamo, agregiramo i implementiramo različite bitne elemente koji doprinose kriterijima odabira bubrega. Predloženi model omogućava raznolikost u zdravlju pacijenata ibubregkvaliteta, kao i njihova korelacija. Osim toga, uključujemo i pogoršanje kvaliteta bubrega uzrokovano akumulacijom CIT-a kako se proces dodjele odvija. Uz sve gore navedene elemente, mi također uključujemo zdravlje i dostupnost pacijenata zajedno s ljudskim resursima i resursima ustanove kako bismo predložili optimalno rješenje za transplantaciju.

Predloženi model se može koristiti za istraživanje kako različiti politički izbori mogu utjecati na strateške ciljeve navedene u OTPN-u [16]. To smo ilustrovali sa dvije aplikacije. Prvo smo pokazali kako se model može primijeniti za informiranje pacijenata o odlukama u vezi s višestrukim angažovanjem datih troškova, udaljenosti i ograničenja kvaliteta njege. Iako višestruko uvrštavanje na listu u kratkoročnom periodu može predstavljati izazov za jednakost između pacijenata na osnovu finansijskih sredstava, ono ima potencijal da izjednači geografske razlike u pristupu transplantacijama i na taj način poveća jednakost.

Druga ilustracija skreće pažnju na aspekt socijalne skrbibubregtransplantaciju, a ne fokusiranje na pronalaženje optimalnog rješenja kao što je razmatrano u prvoj primjeni. Upoređujemo rezultate socijalne skrbi (tj. korištenje bubrega donora i korisnost nakon transplantacije u cijelom sistemu) za nekoliko nivoa dostupnih informacija, u rasponu od bez informacija do savršenih informacija. Povećana informacija dovodi do bržeg dodjeljivanja bubrega i smanjene stope odbacivanja bubrega. Povećanje stope transplantacije poboljšava korisnost socijalne zaštite i smanjuje dužinu transplantacijebubreglista čekanja za transplantaciju, vrijeme i stopa smrtnosti. Kreatori politike mogu koristiti ove rezultate da motivišu vrijednost moderne informacione tehnologije za prikupljanje potrebnih informacija i pokažu važnost dizajniranja poticajnih struktura koje podstiču pravovremenu razmjenu informacija od strane pacijenata i centara. Na primjer, dizajniranje aplikacije za transplantaciju organa za pametni telefon može pružiti siguran, lak i brz način za podnošenje i ažuriranje potrebnih informacija na vrijeme. Kreator politike možda želi uspostaviti osnovno pravilo koje svi pacijenti i centri za transplantaciju moraju slijediti da bi dobili ponude. Na primjer, koristeći obaveznu tehnologiju aplikacije i uslugu, centri za transplantaciju mogu redovno (npr. svaki dan) revidirati ili provjeravati svoje dostavljene podatke nakon što pozicija pacijenta na listi čekanja prijeđe određeni prag. Predloženi model je dovoljno jednostavan i fleksibilan da se lako prilagodi za istraživanje mnogih drugih aspekata procesa dodjele bubrega.

Author Contributions:Autori su podjednako doprinijeli ovom radu. Svi autori su pročitali i pristali na objavljenu verziju rukopisa

fonding:Ovo istraživanje nije dobilo vanjsko finansiranje.

Institutional Review Board Statement:Nije primjenjivo.

Informed Consent Statement:Nije primjenjivo.

Data Availability Statement:Skup podataka korištenih u ovoj analizi može se dobiti putem UNOS-a.

Conflicts of Interest:Autori izjavljuju da nema sukoba interesa.

cistanche bodybuilding

References

1. Kalifornijski univerzitet u San Francisku. TheBubregProjekat—Stvaranje biološkog materijalaBubregkao trajno rešenje za zatajenje bubrega. Dostupno na mreži: (pristupljeno 4. aprila 2020.).

2. NacionalniBubregFondacija. Statistika doniranja i transplantacije organa. 2016. Dostupno na internetu: (pristupljeno 16. aprila 2020.).

3. Regije UNOS-a: Regionalni resursi za transplantaciju organa. Dostupno na mreži: (pristupljeno 20. marta 2020.).

4. OPTN. Politike na snazi ​​od 6. decembra 2020. [Ex Comm 9.9.A.]. Dostupno na mreži: (pristupljeno 2. januara 2021.).

5. Wey, A.; Salkowski, N.; Kasiške, BL; Israni, AK; Snyder, JJ Influence ofbubregponuditi ponašanje prihvatanja metrike efikasnosti alokacije. Clin. Transplant. 2017, 31, e13057.

6. Koizumi, N.; DasGupta, D.; Patel, AV; Smith, TE; Mayer, JD; Callender, C.; Melancon, JK Geografske varijacije u vremenu hladne ishemije:BubregNasuprot transplantaciji jetre u Sjedinjenim Državama, 2003. do 2011. Transplantacija. Direktno2015, 1, e27.

7. Howard, DH Zašto transplantacijski hirurzi odbijaju organe?: Model odluke o prihvatanju/odbijanju. J. Health Econ. 2002, 21, 957–969.

8. Lawson, C.; Johnson, D.; Clapper, D.; Fowler, K.; Kapur, S. SmanjenjeBubregStopa odbacivanja. Kidney News. 2017. Dostupno na internetu: (pristupljeno 22. februara 2020.).

9. Zhang, J. Zvuk tišine: Opservacijsko učenje u SAD-ububregtržište. Mark. Sci. 2010, 29, 315–335.

10. Schold, JD; Buccini, L.; Srinivas, T.; Srinivas, R.; Poggio, E.; Flechner, S.; Soria, C.; Segev, D.; Fung, J.; Goldfarb, D. Udruženje centara za evaluaciju učinka ibubregobim transplantacije u Sjedinjenim Državama. Am. J. Transplant. 2013, 13, 67–75.

11. Schold, J.; Buccini, L.; Poggio, E.; Flechner, S.; Goldfarb, D. Udruženje za uklanjanje kandidata izBubregLista čekanja za transplantaciju i nadzor nad radom centra. Am. J. Transplant. Isključeno. J. Am. Soc. Transplant. Am. Soc. Transpl. Surg. 2016, 16, 1276–1284.

12. Bae, S.; Massie, AB; Luo, X.; Anjum, S.; Desai, NM; Segev, DL Promjene u stopi odbacivanja nakon uvođenja indeksa profila donora bubrega (KDPI). Am. J. Transplant. 2016, 16, 2202–2207.

13. Schold, JD; Buccini, LD; Goldfarb, DA; Flechner, SM; Poggio, ED; Sehgal, AR Udruženje izmeđububregperformanse centra za transplantaciju i korist preživljavanja transplantacije u odnosu na dijalizu. Clin. J. Am. Soc. Nefrol. 2014, 9, 1773–1780.

14. Haller, MC; Kainz, A.; Baer, ​​H.; Oberbauer, R. Dijalizna berba i rezultati nakonbubregtransplantacija: retrospektivna kohortna studija. Clin. J. Am. Soc. Nefrol. 2016, 12, 122–130.

15. UNOS. Govoreći o transplantaciji—često postavljana pitanja o višestrukim unosima i prijenosu vremena čekanja. 2017. Dostupno na internetu: (pristupljeno 13. juna 2020.).

16. OPTN. Strateški plan OPTN/UNOS-a 2018–2021. Dostupno na mreži: (pristupljeno 12. aprila 2020.).

17. Chakkera, HA; Chertow, GM; O'Hare, AM; Amend, WJ; Gonwa, TA Regionalne varijacije ububregrezultati transplantacije: trendovi tokom vremena. Clin. J. Am. Soc. Nefrol. 2009, 4, 152–159.

18. Ardekani, MS; Orlowski, JM Višestruki popisi ububregtransplantacija. Am. J.BubregDis. 2010, 55, 717–725.

19. UNOS. Višestruki listing. Dostupno na mreži: (pristupljeno 1. decembra 2018.).

20. Gharibi, Z.; Ayvaci, MU; Hahsler, M.; Giacoma, T.; Gaston, RS; Tanriover, B. Isplativost indukcione terapije bazirane na antitijelima kod preminulog donorabubregtransplantacije u Sjedinjenim Državama. Transplantacija 2017, 101, 1234.