Model optimalizácie založený na simulácii na štúdium vplyvu zoznamu viacerých regiónov a zdieľania informácií o výsledkoch transplantácie obličky

Zahra Gharibi 1,* a Michael Hahsler 2

Abstrakt:Viac ako 8000 pacientov na čakacej listineobličkytransplantát zomrie alebo sa stane nespôsobilým na transplantáciu v dôsledku zhoršenia zdravotného stavu. Zároveň sa v Spojených štátoch každoročne vyhodí viac ako 4000 získaných obličiek od mŕtvych darcov. Tento článok vyvíja optimalizačný model založený na simulácii, ktorý zohľadňuje niekoľko kľúčových faktorov pre aobličkytransplantácia na zlepšenieobličkyvyužitie. Na rozdiel od väčšiny navrhovaných modelov, prezentovaný optimalizačný model zahŕňa detaily procesu ponuky, zhoršenia zdravia pacienta aobličkykvalitu v čase, koreláciu medzi zdravím pacientov a rozhodnutiami o prijatí a pravdepodobnosťou prijatia obličkami. Parametre modelu odhadujeme pomocou údajov získaných z United Network of organ sharing (UNOS) a Scientific Registry of Transplant Recipients (SRTR). Pomocou týchto parametrov ilustrujeme silu optimalizačného modelu založeného na simulácii pomocou dvoch súvisiacich aplikácií. Prvý z nich skúma účinky povzbudzovania pacientov, aby sledovali čakaciu listinu vo viacerých regiónoch na výsledky po transplantácii. V tomto prípade optimalizačný model založený na simulácii umožňuje pacientovi vybrať najlepšie regióny, v ktorých sa má zaradiť do čakacej listiny, vzhľadom na ich pomer dopytu k ponuke. Druhá aplikácia sa zameriava na systémový aspekt transplantácie, konkrétne na príspevok zdieľania informácií k zlepšeniu miery vyradenia obličiek a sociálnej starostlivosti. Skúmame účinky používania moderných informačných technológií na urýchlenie nájdenia vhodného pacienta k dostupnému darcovskému orgánu na úmrtnosť na čakacej listine, vyradenie obličiek a mieru transplantácií. Ukazujeme, že podpora moderných informačných technológií, ktorú v súčasnosti vyvinula United Network for Organ Sharing (UNOS), je nevyhnutná a môže výrazne zlepšiť využitie obličiek.

Kľúčové slová:simulačný model;obličkyprijatie;obličkypridelenie; zoznam viacerých regiónov; zdieľanie informácií

Kontakt:joanna.jia@wecistanche.com

Cistanchetubulosa zabraňuje ochoreniu obličiek, kliknite sem a získajte vzorku

1. Úvod

Chronickýobličkychoroba (CKD) je progresívna strataobličkyfungovať v priebehu času. CKD je celosvetová zdravotná kríza, keďže v súčasnosti viac ako 2 milióny pacientov trpí konečným štádiom renálneho ochorenia (ESRD) alebo zlyhaním obličiek. Očakáva sa, že počet pacientov s diagnózou ESRD sa bude každoročne zvyšovať o 5 až 7 percent [1]. V súčasnosti neexistuje žiadny liekobličkyzlyhanie a pacienti s ESRD potrebujú častú dialýzu alebo transplantáciu obličky od žijúceho alebo mŕtveho darcu, aby prežili. Pre väčšinu pacientov je preferovanou liečbou transplantácia obličky, ktorá poskytuje dlhšiu očakávanú dĺžku života s vyššou kvalitou života ako dialýza. Pacienti na celom svete však čelia chronickému nedostatku darcovských obličiek dostupných na transplantáciu.

V súčasnosti je v USA na čakacej listine takmer 100{1}} pacientov a každý mesiac je v priemere zaradených viac ako 3 000 nových pacientov. Každý rok zomiera viac ako 4000 pacientov pri čakaní na záchranu životaobličkytransplantácii a viac ako 4 000 ochorelo a je na to, aby sme pochopili dôvody takej vysokej miery odpadu z odpadu, musíme sa pozrieť naobličkyproces prideľovania a ponuky. Medzi obličkami od žijúcich a zosnulých darcov a medzi rôznymi krajinami sú značné rozdiely. Zameriavame sa tu naobličkyod zosnulých darcov v USA. Najdôležitejšími kritériami na pridelenie obličiek od mŕtveho darcu sú (1) lekárska kompatibilita medzi darcom a príjemcom, (2) logistické faktory a (3) pozícia pacienta na čakacej listine (napr. čakacia doba, body). Presnejšie povedané, v USA spravuje United Network of Organ Sharing (UNOS) sieť pre odber a transplantáciu orgánov (OPTN) a je zodpovedná za zber údajov o pacientoch aj darcoch. Okrem logistických informácií a čakacej doby údaje čakacej listiny zahŕňajú identitu pacienta, demografické faktory (napr. pohlavie, rasa, vek) a zdravotné charakteristiky (napr. krvnú skupinu ABO, ľudské leukocytové antigény (HLA), panel-reaktívne protilátka (PRA)). Podobne na vytvorenie databázy mŕtvych darcov UNOS získava informácie o demografických údajoch darcov, logistike darcov, obnove a konzervácii a zdravotných charakteristikách darcov. v USA bolo celkovo transplantovaných 16 534 obličiek. Napriek vysokému dopytu a výraznému nedostatku obličiek sa približne jedna z piatich obličiek získaných od mŕtvych darcov vyradí [2].

Aby sme pochopili dôvody takejto vysokej miery vyhadzovania, musíme sa pozrieť naobličkyproces prideľovania a ponuky. Medzi živým a mŕtvym darcom sú značné rozdielyobličkya medzi rôznymi krajinami. Zameriavame sa tu na obličky od zosnulých darcov v USA. Najdôležitejšími kritériami na pridelenie obličiek od mŕtveho darcu sú (1) lekárska kompatibilita medzi darcom a príjemcom, (2) logistické faktory a (3) pozícia pacienta na čakacej listine (napr. čakacia doba, body). Presnejšie povedané, v USA spravuje United Network of Organ Sharing (UNOS) sieť pre odber a transplantáciu orgánov (OPTN) a je zodpovedná za zber údajov o pacientoch aj darcoch. Okrem logistických informácií a čakacej doby údaje čakacej listiny zahŕňajú identitu pacienta, demografické faktory (napr. pohlavie, rasa, vek) a zdravotné charakteristiky (napr. krvnú skupinu ABO, ľudské leukocytové antigény (HLA), panel-reaktívne protilátka (PRA)). Podobne na vytvorenie databázy mŕtvych darcov UNOS získava informácie o demografických údajoch darcov, logistike darcov, obnove a konzervácii a zdravotných charakteristikách darcov.

UNOS využíva centralizovanú počítačovú sieť na prepojenie všetkých organizácií na odber orgánov (OPO) a transplantačných centier. Prideliť darovanéobličkyUNOS používa svoj systém porovnávania darcov a príjemcov. Zakaždým nový zosnulý darcaobličkyje získaný na transplantáciu, UNOS aplikuje algoritmus zhody, program, ktorý porovnáva údaje darcov s údajmi aktívnych pacientov na čakacej listine. Pomocou pravidiel a zásad prideľovania obličiek sa generuje zoradený zoznam pacientov. Faktory, ktoré sa berú do úvahy pri vytváraní tohto zoznamu, zahŕňajú čakaciu dobu, kompatibilitu imunitného systému darcu a príjemcu, prioritnú spôsobilosť žijúceho darcu, vzdialenosť od nemocnice darcu, prínos prežitia (zhoda medzi darcom a príjemcom dlhovekosti) a stav detí.

Celý proces ponuky je zložitý a zameriavame sa tu iba na hlavné komponenty, ktoré sú potrebné pre simulačný model, o ktorom sa hovorí v tomto článku. Proces začína pacientmi uvedenými v miestnych OPO (v USA je 58 OPO, z ktorých každý má určenú oblasť poskytovania služieb), ktorí sú medicínsky kompatibilní a majú najvyššiu prioritu na čakacej listine. Ak je lokálna alokácia neúspešná, orgán sa ponúka v regióne (USA sú v súčasnosti rozdelené na 11 transplantačných regiónov) a nakoniec celoštátne. Obrázky 1a, b zobrazujú 11 geografických oblastí v USA [3] a geografickú hierarchiu procesu ponuky obličiek. Viac podrobností o politike odoberania a prideľovania orgánov je dostupných v [4]. Jedným z dôvodov uprednostňovania miestnych pacientov vobličkyproces priraďovania je skrátiť čas medzi odberom orgánu a implantáciou. Tento čas sa nazýva Cold Ischemia Time (CIT) a hrá zásadnú úlohu vo výsledkoch transplantácie obličky [5,6].

Obrázok 2 a tabuľka 1 ukazujú regionálne odchýlky v CIT, čakacej dobe aobličkyvýsledky transplantácií v USA, resp. V USA existujú značné rozdiely v čakacích lehotách na obličky od mŕtvych darcov. Čas čakania pacienta na transplantáciu môže ovplyvniť viacero faktorov. Okrem klinických faktorov pacienta, ako je napríklad krvná skupina a stupeň senzibilizácie, ktorý vykazuje PRA (panel reaktívna protilátka), má na možnosť včasnej transplantácie obličky obrovský vplyv aj geografia a miesto pobytu pacienta. Je to dôležité, pretože v oblastiach s dlhšou CIT je pravdepodobnejšie, že budú mať nižšiu mieru prežitia po transplantácii štepu a pacienta. Presnejšie, ako naznačujú výsledky jedno- a päťročnej miery prežitia pacientov a štepu po transplantácii obličky, región 9 s najdlhšou CIT zo všetkých regiónov má najnižšiu mieru prežitia pacientov a štepu medzi všetkými 11. regiónoch. Typicky, keď CIT dosiahne 24 hodín, je ťažké nájsť pacienta, ktorý by prijal ponúkaný orgán. Vo väčšine prípadov sa obličky zlikvidujú po 48 hodinách CIT. Zníženie CIT obličiek prostredníctvom manažérskych zlepšení by teda mohlo byť nákladovo efektívnym spôsobom na zlepšenie súčasného transplantačného systému a výsledkov.

Transplantační chirurgovia a regulačné orgány v USA vyjadrili svoje obavy týkajúce sa vysokej pozorovanejobličkymiery vyradenia napriek rastúcemu zoznamu čakateľov, dlhej dobe čakania a vysokej miere odstraňovania zoznamu čakateľov. Tabuľka 2 ukazuje zoznam čakateľov a informácie o transplantáciách pre USA a krajiny Eurotransplant (ET). Eurotransplant je medzinárodná nezisková organizácia zodpovedná za prideľovanie a transplantáciu orgánov v Rakúsku (A), Belgicku (B), Chorvátsku (HR), Nemecku (D), Maďarsku (H), Luxembursku (LR), Holandsku (NL) a Slovinsku. (SLO). Aj keď počet darovanýchobličkya transplantácie uskutočnené v roku 2019 v USA dosiahli historické maximum, miera vyradenia obličiek približne 26 percent (vypočítaná ako počet transplantácií obličiek zosnulých na dvojnásobok celkového počtu zosnulých darcov) zostáva v porovnaní s ET znepokojujúca. miera odpadu krajín 20 percent .

Najčastejší dôvod darcuobličkyodmietnutie a potenciálne vyradenie sú obavy o kvalitu obličiek darcu. Údaje ukazujú, že transplantační chirurgovia by relatívne zdravému pacientovi odmietli obličky nízkej kvality v nádeji, že v budúcnosti dostanú lepšiu ponuku [7]. Navyše kobličkykvalita,obličkymiery prijatia a vyradenia môžu byť ovplyvnené aj samotným procesom prideľovania [8]. Dôkazy ukazujú, že obličky odmietnuté na začiatku procesu prideľovania majú menšiu pravdepodobnosť, že budú neskôr prijaté [9]. Ďalším problémom je rastúca averzia transplantačných centier voči riziku v dôsledku správ špecifických pre program, ktoré hodnotia výsledky po transplantácii. Tieto môžu poskytnúť centrám stimuly, aby požadovali obličky vyššej kvality. V dôsledku toho môžu odmietnuť obličky adekvátne pre pacienta, čo však predstavuje riziko negatívneho ovplyvnenia hodnotenia ich posttransplantačných výsledkov [8,10–15].

Ďalší dôvod, prečo nie je pozorovaný dostatočne vysokýobličkyVyužitie je v USA geografický rozdiel v prístupe k transplantácii obličky. Tabuľka 3 ukazuje geografické rozdiely v počte zosnulých darcov, OPO a transplantačných centier v 11 regiónoch. Niektoré štáty ako Wyoming, Idaho a Montana nemajú transplantačné centrá napriek vysokej miere darcovstva orgánov. Takáto variácia a rozdiel v OPO a zariadeniach na transplantáciu orgánov môže viesť k nespravodlivej dostupnosti orgánov, zlému prístupu k starostlivosti a zbytočne dlhému čakaniu u niektorých pacientov. Jedným z piatich strategických cieľov UNOS je zabezpečiť rovnosť v prístupe k transplantáciám a znížiť geografické rozdiely [16]. Aby sa zlepšila šanca na získanie vhodného darovaného orgánu a skrátila sa dlhá doba čakania, pacienti sa môžu presťahovať do oblasti s kratšími čakacími dobami alebo sa môžu prihlásiť do viacerých transplantačných centier, ktoré sa zvyčajne nachádzajú v rôznych regiónoch [17]. UNOS zaviedol viacero zásad zaraďovania do zoznamu, ktoré umožňujú pacientom zaradiť sa do viac ako jedného transplantačného centra.

V súčasnosti približne 4 percentá pacientov čakajúcich na aobličkyTransplantácia je viacnásobná, čo je najvyšší počet spomedzi všetkých orgánov [18].

Rovnako ako pri každom nábore na transplantáciu musí pacient absolvovať hodnotiace testy a musí sa zaviazať k predpisom transplantačného centra, ako je napríklad schopnosť dostať sa do transplantačného centra v danom čase. Pre zaradenie do viacerých centier môže byť tento proces dosť nákladný, pretože väčšina poisťovní nemusí preplácať náklady na dodatočné vyšetrenia [15,19]. Okrem toho sa od pacientov, ktorí dostávajú transplantáciu orgánov, vyžaduje, aby v rámci potransplantačnej starostlivosti užívali imunosupresívne lieky, aby sa zabezpečilo, že ich telo neodmietne nový orgán [20]. Preto sa pacientka musí naučiť, či je možné potransplantačnú starostlivosť presunúť do centra bližšie k jej bydlisku. Bez politík na primeranú finančnú podporu cestovných výdavkov to zjavne stále predstavuje problém z hľadiska rovnosti a spravodlivosti, ktorým sa musia tvorcovia politík zaoberať.

V tomto článku predstavujeme stochastický simulačný model, ktorý možno použiť na analýzu vplyvu zmien na systém prideľovania obličiek a proces ponuky. Simulačný model zahŕňa zdravie pacienta, kvalitu darcu a obličiek reprezentovanúObličkyIndex darcovského profilu (KDPI) [21], zhoršenie kvality darcu a obličiek v dôsledku akumulácie CIT počas procesu prideľovania a tiež ponuka a dopyt obličiek. Ďalej model zvažuje možnosť, že darcovská oblička nemôže byť prijatá z iných dôvodov (napr. krátkodobá choroba pacienta, nedostatočné chirurgické zdroje, výsledok krížovej skúšky). Pomocou modelových parametrov odhadnutých z údajov poskytnutých UNOS a Vedeckým registrom príjemcov transplantátov (SRTR) aplikujeme simulačný model na preskúmanie nasledujúcich dvoch kľúčových trendov na zlepšenie miery transplantácie darcovskej obličky:

1. Viacnásobné zaradenie: Presun do oblasti s kratšou čakacou dobou alebo čakacia listina vo viacerých regiónoch môže pacientovi pomôcť tým, že zvýši šancu na skoršiu transplantáciu obličky. V dôsledku toho môže pacient zlepšiť potransplantačné výsledky v dôsledku menšieho zhoršenia zdravotného stavu zotrvávaním na dialýze. Vypracovať stratégiu, ktorá by usmernila rozhodnutie pacienta o preložení alebo zaradení do viacerých zoznamov, však nie je jednoduché. Rozhodnutie formulujeme ako problém maximalizácie užitočnosti v rámci súboru obmedzení rozpočtu, vzdialenosti a zariadení na regionálnej úrovni. Ponuka a dopyt sa značne líšia v rámci 11 regiónov USA a pre rôzne krvné skupiny. Takáto variácia má za následok veľmi rozdielne čakacie doby, čo vedie k rôznym očakávaným užitočnostiam a optimálnym stratégiám prijatia obličiek (vyjadrené ako optimálne prahy kvality obličiek). Na odvodenie užitočnosti pacienta pre rôzne oblasti používame simulačný model na získanie užitočnosti pri individuálnych rozhodnutiach o optimálnom prijatí transplantátu obličky na základe zdravotného stavu pacienta a ponuky a dopytu po krvnej skupine pacienta. Získané informácie využívame na riešenie optimalizačného problému a odvodenie optimálnej politiky výberu regiónu.

2. Informačné technológie: Rýchla a presná komunikácia medzi UNOS a transplantačnými centrami je nevyhnutná na zefektívnenie prideľovania orgánov, čo sa stáva ešte kritickejším vzhľadom na pacientov na viacerých zoznamoch. Cieľom UNOS je zvýšiť využívanie informačných technológií pri prideľovaní orgánov a transplantáciách. Zaviedli bezpečný online systém, ktorý zhromažďuje údaje na zlepšenie schopnosti transplantačného systému zlepšiť šancu pacienta na získanie orgánu, ktorý mu zachráni život. Ako sa technológia vyvíjala, UNOS tiež podporuje vývoj a používanie moderných technológií, ako sú mobilné zariadenia, na rýchlejšie a efektívnejšie zvažovanie darcov.obličkyponúka dosiahnuť vyššiu mieru využitia obličiek [22]. Mobilné zariadenia napríklad uľahčia zhromažďovanie aktuálnych informácií o dostupnosti pacientov na transplantáciu (napr. prostredníctvom aplikácie). Pomocou týchto informácií bude OPTN prideľovať obličky rýchlejšie, čím sa zníži poškodenie obličiek a vyhadzovanie. V ideálnom prípade perfektných informácií môže OPTN nájsť prvého pacienta na čakacej listine, ktorý okamžite prijmeobličkyzníženie CIT a vyradenia na minimum. Prezentovaná simulácia hodnotí efekt reálneho prípadu nedokonalého zdieľania informácií.

   
   

   
   

2. Literatúra

V tejto časti uvádzame prehľad lekárskych aj analytických štúdií o transplantácii orgánov, ktoré sú relevantné pre tento dokument. Pri lekárskych prácach sa zameriavame hlavne na CIT a čakanie na časovú dialýzu ako dva zvládnuteľné nezávislé rizikové faktory, ktoré účinne prispievajú k výsledkom transplantácie obličiek. V analytickej časti skúmame články, ktoré spadajú do jedného alebo oboch výskumných prúdov, ktoré sa týkajú rozhodovania o prijatí orgánov od mŕtvych darcov a návrhu procesu prideľovania.

2.1. Lekárska literatúra

Niekoľko výskumníkov v Severnej Amerike, Južnej Amerike a Európe študovalo spojenie medzi CIT aobličkyvýsledky transplantácie [23,24]. Analýza vykonaná Nieto-Ríosom a kol. [25] ukazuje, že CIT je nezávislý rizikový faktor oneskorenej funkcie štepu (DGF). Presnejšie, riziko vzniku DGF sa zvyšuje, keď CIT prekročí 18 hodín. Nemá však negatívny vplyv na výsledky akútneho odmietnutia alebo jednoročnej straty štepu po transplantácii.

Francúzska štúdia Debout et al. [26] zistili, že s každou ďalšou hodinou CIT sa výrazne zvyšuje riziko zlyhania aloštepu po transplantácii a mortalita. Podobná štúdia, ktorú vykonali Valdivia et al. [27] v Andalúzii v Španielsku potvrdili, že predĺžená CIT môže ovplyvniť mieru prežitia pacientov aj štepu. Štúdia naznačuje, že dlhá CIT môže zvýšiť riziko počiatočnej zlej funkcie štepu bez ohľadu na vek darcu aj príjemcu. S nárastom CIT sa zvyšuje aj šanca na DGF. Škodlivá asociácia predĺženej CIT s rizikom DGF však nie je zosilnená u starších darcov (napr. rozšírené kritériá, darcovia). Štúdia ukazuje, že účinok CIT na akútne odmietnutie renálneho transplantátu (ARTR) je zreteľnejší u pacientov, ktorí podstupujúobličkyretransplantácia. Analýza tiež naznačuje, že darované obličky s CIT 24 hodín alebo dlhšie sú vystavené väčšiemu riziku ARTR v porovnaní s orgánmi s CIT menej ako 12 hodín. Koizumi a kol. [6] uvádzajú, že v USA boli pozorované regionálne rozdiely vo výsledkoch obličiek, ale hlavný dôvod týchto variácií nie je jasný. Štúdia odhaľuje významné variácie doby studenej ischémie (CIT) v rôznych regiónoch pre obličky darcov. Konkrétne zistili, že oblasti s dlhšou CIT majú väčšiu pravdepodobnosť, že budú mať nižšiu mieru prežitia obličiek po transplantácii. Naznačujú, že manažérske zlepšenia môžu byť nákladovo efektívnou voľbou na zlepšenie súčasného výkonu transplantačného systému a potenciálu znížiť mieru likvidácie orgánov.

Meier-Kriesche a kol. [28] použili údaje z amerického registra údajov o obličkách (USRDS), aby zvážili potenciálnu súvislosť medzi čakacou dobou a výsledkami transplantácie obličky. Ich štúdia potvrdzuje, že dlhá čakacia doba je významným rizikovým faktorom, ktorý negatívne ovplyvňuje prínosy prežitia po transplantácii obličky. V dôsledku toho naznačujú, že čím skôr pacienti s ESRD dostanú transplantáciu obličky, tým vyššie sú ich šance na dlhodobé prežitie. Meier-Kriesche a Kaplan [29] skúmajú dôležitosť čakacej doby na dialýze ako najpodstatnejší nezávislý rizikový faktorobličkyvýsledky transplantácie. Ako súčasť svojej analýzy aplikujú Kaplan-Meierove odhady a Coxove modely proporcionálnych rizík na databázu systému renálnych údajov v USA, aby preskúmali vplyv čakacej doby na zosnulého darcu.obličkyvýsledky. Ich zistenia ukazujú, že päť- a desaťročná miera prežitia štepu je výrazne horšia u príjemcov párových obličiek, ktorí čakali na dialýzu viac ako dva roky v porovnaní s párovými.obličkypríjemcov s čakacou dobou kratšou ako pol roka.

2.2. Analytická literatúra

Analytická literatúra sa zameriava na dizajnobličkyalokačný proces a často využíva simulačné modely. Diskutované otázky sú efektívnosť a spravodlivosť procesu prideľovania a účinok rozhodnutia o prijatí obličky.

Na analýzu procesu prideľovania použitého v roku 2000 Zenios a kol. [30] navrhujú dynamické prideľovanie zdrojov, ktoré maximalizuje očakávanú dĺžku života pacienta po transplantácii obličky a zároveň minimalizuje nerovnosť medzi pacientmi. Zostrojený simulačný model ukazuje, že v súčasnosti používaná politika prideľovania orgánov zvyšuje očakávanú dĺžku života pacienta upravenú podľa kvality a znižuje očakávanú čakaciu dobu.

Theobličkyrozhodnutie o prijatí je ústredným prvkom celého prúdu výskumu. Ahn a Hornberger [31] vyvinuli teoretický model, ktorý zohľadňuje zdravie pacienta pri prijímaní/odmietnutí rozhodnutia o kvalite ponúkaných obličiek. Ich analýza ukazuje, že relatívne zdravý pacient si môže dovoliť byť selektívny, pokiaľ ide o kvalitu darcuobličkya očakávať lepší výsledok po transplantácii prijatím kvalitnej obličky. Vplyv voľby pacienta na systém prideľovania orgánov študujú Su a Zenios [32]. Štúdia predstavuje model radenia, ktorý analyzuje účinky voľby pacienta na mieru odmietnutia obličky vyhodnotením výkonnosti čakacieho systému podľa zásad „prvý príde, prvý berie“ (FCFS), ako aj „posledný príde prvý berie“ (LCFS). Dospeli k záveru, že LCFS je účinnejší ako FCFS. V skutočnosti, na rozdiel od LCFS, politika FCFS motivuje pacientov, aby odmietali obličky nízkej kvality, čo má za následok nízke využitie obličiek. Na druhej strane model ukazuje, že politika LCFS dosahuje optimálne využitie orgánov. V inej štúdii Su a Zenios [33] skúmali úlohu výberu pacienta pri alokácii obličiek pomocou modelu sekvenčného stochastického priraďovania. Model rieši konflikt medzi voľbou pacienta a sociálnym blahobytom. Analýza uvažuje o dvoch schémach, kde prvá predpokladá, že pacienti musia prijať akúkoľvek ponúknutú obličku. Prvým najlepším riešením je nájsť politiku prideľovania, ktorá maximalizuje sociálny blahobyt. Zavedením voľby pacienta sa politika prvého najlepšieho postupu upraví tak, aby sa dosiahla politika druhého najlepšieho. V dôsledku toho sa zavádza stimulačná podmienka kompatibility, ktorá núti politiku prideľovania navrhnúť tak, aby sa zabezpečilo, že pacienti prijmú akúkoľvek ponuku obličiek. Su a Zenios [34] zavádzajú model konštrukcie mechanizmu pre alokáciu orgánov, ktorý zohľadňuje voľbu pacienta. Pacienti uvádzajú typy obličiek (napr. kvalitu), ktoré si želajú dostať, pri zaradení sa do čakacej listiny na transplantáciu obličky (nie v čase ponuky darcovskej obličky) a zaradia sa do poradovníka, ktorý obsluhuje deklarovaný typ obličky. Týmto spôsobom model redukuje dlhý proces vyhľadávania identifikáciou vhodných pacientov, ktorí chcú efektívnejšie akceptovať získané darcovské obličky.

Spravodlivosť a spravodlivosť sú dôležité témy Bertsimas a kol. [35] skúmajú geografické rozdiely v prístupe k zosnulému darcoviobličky. Používajú aproximáciu tekutiny pre model radenia na formulovanie optimálneho spôsobu zaradenia pacienta do čakacích zoznamov viacerých transplantačných centier. Cieľom pacienta je maximalizovať očakávanú dĺžku života a zároveň minimalizovať náklady na preťaženie. Kombináciou analytických, simulačných a numerických výsledkov ukazujú, že viacnásobný zoznam výrazne podporuje geografickú spravodlivosť a zvyšuje darcovobličkyzásobovanie. Viac darcov vedie k vyššej miere transplantácií a znižuje úmrtnosť pacientov na čakacej listine. V niekoľkých štúdiách [36–38] sa vyvinuli modely, ktoré umožňujú nekompatibilnému páru darca – príjemca stále dostať obličku od žijúceho darcu prostredníctvom výmeny s inými nekompatibilnými pármi darca – príjemca. Zatiaľ čo väčšina existujúcich modelov sa zameriava na maximalizáciu celkového počtu možných výmen obličiek a sociálnej starostlivosti, nezohľadňujú zložku spravodlivosti definovanú ako spokojnosť darcu a príjemcu. Lee a spol. [39] predstavujú dvojstupňový stochastický model programovania, ktorý zohľadňuje spravodlivosť v programoch výmeny obličiek od žijúcich darcov. Štúdia skúma viacero scenárov na skúmanie vplyvu spravodlivosti na výsledky výmeny obličiek. Číselné výsledky ukazujú zlepšenie výsledkov programu výmeny žijúcich darcov, keď sa berie do úvahy spravodlivosť pri párovaní nekompatibilných párov. Všimnite si, že niektoré štúdie, o ktorých sa tu diskutuje, zvažujú vplyv spravodlivosti pri transplantácii obličky od živého človeka; zameriavame sa však len na transplantácie s použitím obličiek od mŕtveho darcu.

Simulácie uvedené v literatúre využívajú silné predpoklady. Napríklad Su a Zenios [33] predpokladajú, že pacienti musia prijať každú ponukuobličkyalebo u [34] pacientov nemôže zmeniť pôvodne zvolenú kvalitu obličiek. Okrem toho sa väčšina simulácií zvyčajne zameriava na jednu premennú. Napríklad štúdia Ruth a kol. [40] sa zameriava na dĺžku poradovníka. Štúdia navrhuje simulačný model procesu prideľovania orgánov a zisťuje, že za podmienok prideľovania orgánov v roku 1985 bude dĺžka zoznamu čakateľov naďalej rásť. Simulačný model, ktorý uvádzame v tomto článku, poskytuje dôkladnejší obraz zvážením vplyvu rozhodnutí pacienta, ponuky a dopytu v rôznych regiónoch, efektívnosti procesu prideľovania a očakávaného účinku potransplantačnej užitočnosti.

cistanche kulturistika

3. Popis modelov

V nasledujúcich častiach podrobne rozoberieme hlavné komponenty simulačných aj optimalizačných modelov. Simulačné modely zahŕňajú pacienta (potreba orgánov), zosnulého darcuobličiekpríchod (dodávka orgánov), postupná ponuka obličiek od mŕtveho darcu na nájdenie optimálneho prahu kvality obličiek a očakávaná potransplantačná užitočnosť pre pacienta s danou úrovňou zdravia. Potom použijeme výstup simulačného modelu ako koeficienty cieľovej funkcie optimalizačného modelu, aby sme odporučili politiku viacnásobného zoznamu a navrhli súbor regiónov, ktoré si pacient môže vybrať.

3.1. Simulačný model

Vyvíjame simulačný model, ktorý umožňuje pacientovi identifikovať optimálneobličkyprah kvality, ktorý maximalizuje jej užitočnosť po transplantácii. Parametre modelu závisia od ponuky a dopytu regiónu pacientov. Simulujemeobličkyakceptačnej stratégie a výslednej potransplantačnej užitočnosti zodpovedajúcej každej transplantácii. Obrázok 3 znázorňuje proces simulácie. Kľúčové komponenty rozoberieme v nasledujúcich častiach.

3.1.1. Dopyt po orgánoch

Dopyt predstavujú pacienti na čakacej listine. Pacientov sme rozdelili do niekoľkých skupín kompetitívnych pacientov, ktorí môžu dostať rovnaký typ orgánu od mŕtveho darcu v závislosti od krvných skupín a iných klinických kritérií. Každú skupinu modelujeme samostatne. Zvážime interakciu medzi skupinami (napr. niektorí pacienti s krvnou skupinou AB môžu dostávať orgány od darcov s akoukoľvek krvnou skupinou) úpravou zásobovania jednotlivými skupinami.

Každá konkurenčná skupina pacientov je modelovaná frontom súvisiacim s krvnou skupinou j, kde j ∈ {A, B, AB, O}. Pacienti sa môžu zaradiť do zodpovedajúceho radu (napr. podľa krvnej skupiny) s rýchlosťou λj a nechať sa obslúžiť kompatibilnými darcami. Kompatibilnéobličkydostať sa do frontu krvnej skupiny j s rýchlosťou µi. Napríklad pre krvnú skupinu A, kompatibilnéobličkysú typu A a O. Pacienti odchádzajú z čakacej listiny j s frekvenciou transplantácie ηi, keď (1) prijmú ponúknutú obličku alebo (2) s mierou θi buď príliš ochorejú na transplantáciu alebo zomrú na čakacej listine . Štruktúra modelu radenia je znázornená na obrázku 4.

Po štúdii v [34] sa pacienti s krvnou skupinou j dostávajú na čakaciu listinu podľa Poissonovho procesu s rýchlosťou príchodu λj. Pacienti sa zaradia do zoznamu čakateľov v modeli s nepozorovateľným počiatočným zdravotným stavom h0, ktorý predstavuje zostávajúci čas, ktorý môžu prežiť na dialýze, keď sa pridajú. Modelujeme distribúciu h0 v populácii pacientov pomocou Weibullovho rozdelenia. Weibullova distribúcia sa často používa v analýze prežitia na vyjadrenie času do zlyhania, pretože je schopná vyjadriť mieru zlyhania, ktorá sa časom znižuje, je konštantná alebo sa zvyšuje. Zdravie pre simulovaného pacienta, h0, je potom realizáciou náhodnej premennej H0 ∼ Weibull(a, b), kde a a b sú parametre mierky a tvaru. Pacienti odídu z čakacej listiny, ak buď (1) dostanú transplantáciu, alebo (2) opustia front pre zlý zdravotný stav (alebo smrť). Keďže h0 je čas, ktorý môže pacientka prežiť na dialýze, keď sa zaradí do zoznamu čakateľov (tj index ukazuje, že doteraz čakala nula rokov), skutočný zdravotný stav po čakaní w rokoch je hw {{1{{ 11}}}} h0 − w, čo znamená, že pacient opustí zoznam čakateľov najneskôr v=h0.

3.1.2. Zásobovanie organmi

Nasleduje [34], kompatibilný zosnulý darcaobličkyprísť do frontu na krvnú skupinu j podľa nezávislého homogénneho Poissonovho procesu s rýchlosťou príchodu µj. OPTN definované aobličkymetrika kvality nazývaná Kidney Donor Profile Index (KDPI), ktorá zahŕňa desať klinických darcovských faktorov na hodnotenie obličiek podľa odhadovaného prežitia obličiek po transplantácii [41]. KDPI berie do úvahy nasledujúce charakteristiky darcu: vek, výšku, hmotnosť, etnickú príslušnosť, či darca zomrel v dôsledku straty funkcie srdca alebo funkcie mozgu, mozgovú príhodu ako príčinu smrti, vysoký krvný tlak v anamnéze, cukrovku v anamnéze, expozíciu vírus hepatitídy-C, sérový kreatinín (meradlo funkcie obličiek). Podľa konštrukcie je KDPI takmer rovnomerne rozložené vo všetkých obličkách odobratých v danom roku. Na základe KDPI modelujeme kvalitu obličky od darcu znázornenú s q0 ako realizáciu náhodnej premennej Q ∼ Unif(0, 1). Používame 0 na vyjadrenie najnižšej a 1 najvyššej kvality obličiek, tj q0=1 − KDPI. Keď sa v simulácii sprístupní nová oblička darcu, oblička sa súčasne ponúkne skupine g pacientov so špecifikovaným časovým oknom na zváženie ponuky a prijatie rozhodnutia o prijatí/odmietnutí. Ak nikto zo skupiny g pacientov nemôže prijať obličku po pridelenom čase, potom sa oblička ponúkne ďalšej skupine g pacientov na čakacej listine. Proces prideľovania pokračuje dovtedy, kým pacient orgán buď neprijme alebo nezlikviduje (v dôsledku neúspešného vyhľadávania alebo umiestnenia orgánu). Pre súčasný nedostatok darcovských obličiek máme µj < λj,="" tj="" obličky="" prichádzajú="" s="" nižšou="" rýchlosťou="" ako="" noví="" pacienti.="" odstránenie="" pacienta="" z="" dôvodu="" zdravia="" alebo="" úmrtia="" udržuje="" front="" v="" konečnej="" veľkosti.="" dlhšie="" čakacie="" listiny="" majú="" za="" následok="" dlhšie="" čakacie="" doby="" a="" väčšie="" zhoršenie="" zdravotného="" stavu="" pacientov.="" to="" zase="" zvyšuje="" mieru="" odstraňovania="" (pacienti="" odchádzajú="" bez="" transplantácie).="" dĺžka="" frontu="" sa="" stabilizuje="" v="" rovnováhe,="" kde="" sa="" rýchlosť="" transplantácie="" plus="" rýchlosť="" odstránenia="" pacienta="" zhoduje="" s="" rýchlosťou="" príchodu="">

3.1.3. Rozhodnutie o prijatí/odmietnutí obličiek

Postupom času ako proces darcuobličkyponuka pokračuje, oblička hromadí CIT a jej kvalita sa zhoršuje. Toto zhoršenie modelujeme ako qt {{0}} f(q0, δ, t). V tejto rovnici t predstavuje akumulovanú CIT a q0 predstavuje kvalitu obličiek v čase zotavenia, keď t=0. Premenná δ predstavuje faktor zhoršenia kvality obličiek. Požadujeme, aby kvalitatívna funkcia f klesala v δ a t, tj ∂ f(q0,δ,t)∂δ < 0="" a∂="" f="" (q0,δ,t)="" ∂t="">< 0.="" v="" simulačnom="" modeli="" meriame="" čas="" ako="" násobky="" času="" povoleného="" pre="" jedno="" kolo="" ponúk.="" ak="" majú="" pacienti="" na="" rozhodnutie="" jednu="" hodinu,="" potom="" t="" predstavuje="" akumulované="" mesto="" v="" hodinách.="" modelujeme="" obličku="" akceptuje/odmietne="" rozhodnutie="" pacienta="" a="" následnú="" transplantáciu="" v="" dvoch="" krokoch.="" po="" prvé,="" pacient="" používa="" prahovú="" stratégiu,="" aby="" sa="" rozhodol,="" či="" je="">obličkyje prijateľné. Pacient by ponuku prijal, ak by qt bolo väčšie alebo rovné k, kde k je prah kvality obličiek, o ktorom rozhodli pacient a chirurg. Pri akceptovateľných obličkách zvažujeme viacero faktorov súvisiacich so zdravotným stavom pacienta a transplantačným centrom. V simulačnom modeli používame pravdepodobnosť, že sa transplantácia uskutoční, ak sa ponúkne prijateľná oblička

kde p (faktory pacienta) predstavuje špecifickú zdravotnú situáciu pacienta a akúkoľvek skutočnosť, ktorú môže pacient alebo chirurg rozhodnúť protiobličkyz dôvodov, ktoré nie sú vysvetlené čisto kvalitou obličiek (napr. pacient je dočasne neaktívny na čakacej listine, nepriaznivý výsledok krížovej skúšky). Pravdepodobnosť p (faktory centra) predstavuje pripravenosť transplantačného centra (napr. dostupnosť personálu, operačné sály a pod.), ako aj úvahy o vplyve transplantácie na hodnotenie výkonu centra. Pacient si po konzultácii s chirurgom zvolí prah rozhodovania k. Takáto hranica bude ovplyvnená zdravotným stavom pacienta h0, pretože pacient, ktorému zostáva viac času na dialýze, bude čakať na kvalitnejšiu obličku. Tento vzťah modelujeme v simulácii tak, že pre každého pacienta vyberieme náhodnú premennú K ∼ Unif(0,1), ktorá koreluje s pacientovým sh0 reprezentovaným Spearmanovým koeficientom poradovej korelácie ρH 0, K.

3.1.4. Užitočnosť pacienta po transplantácii

Ak pacient prijme mŕtveho darcuobličkyponúkne a dôjde k transplantácii, pacient získa potransplantačné využitie. Potransplantačná užitočnosť závisí od kvality obličky v čase transplantácie qt a čakacej doby pacienta w, čo vedie k zdravotnému stavu hw=h0 − w. Užitočnosť po transplantácii možno rozdeliť na dve zložky

kde B(·) predstavuje prínos pre pacienta v závislosti odobličkykvality a D(·)zodpovedá za zhoršenie stavu pacienta na čakacej listine. Rozdelenie užitočnosti na tieto dve zložky má výhody pri odhadovaní parametrov z údajov. Funkciu B(·) možno považovať za prínos pre pacientku, ak dostane obličku s kvalitným qt bez čakania. Funkcia benefitu musí zabezpečiť, že sa zvyšuje so zdravím pacienta h{{0}} a kvalitou obličiek, tj ∂B(∂hh00, qt) > 0 a ∂ B(∂hq0t, qt) > 0. D(·) predstavuje náklady vo forme faktora zhoršenia v dôsledku čakania w na obličku. Nákladová funkcia sa musí zvyšovať, keď sa čas čakania zvyšuje a znižuje so zdravím pacienta., tj Bežný spôsob definovania funkcií ako B(·) je vo forme logistickej regresie na prežitie, ktorú navrhuje Cox [42], ktorá modeluje podmienenú pravdepodobnosť zomrieť v akomkoľvek časovom bode vzhľadom na prežitie až do tohto bodu

kde m(h{{0}}) označuje výsledok transplantácie pre pacienta so zdravotnou úrovňou h0, ktorý okamžite dostal dokonalú obličku (qt=1) (w {{3 }}). Prirodzene, m(h0) sa zvyšuje so zdravím pacienta h0. Pre D(·) používame funkcionál od

kde riadi rýchlosť zhoršovania. Faktor zhoršenia sa rovná jednej (tj žiadne zhoršenie), keď je čas čakania nula (w {{0}}). Ak pacient čaká na veľmi kvalitnú obličku a dôjde mu čas (tj w=h0), faktor zhoršenia sa stane nulovým. Zvolená funkčná forma je veľmi flexibilná a môže vyjadrovať lineárne zhoršenie ( {{ 4}}), spomalenie zhoršovania (> 1) a zvýšenie zhoršovania ( < 1).="" odhadom="" parametrov="" z="" dát="" a="" pomocou="" simulačnej="" optimalizácie="" vieme="" nájsť="" pre="" každého="" pacienta="" to="">obličkyprah kvality k∗, ktorý maximalizuje užitočnosť po transplantácii.

3.2. Výber regiónu a model optimalizácie viacerých záznamov

Pacientka môže zlepšiť svoje šance na transplantáciu presťahovaním sa do iného regiónu (výber regiónu) alebo zaradením do transplantačných centier vo viacerých regiónoch. Aby sme pacientovi pomohli identifikovať súbor oblastí pre viacnásobné zaradenie, využívame simulačný model na výpočet optimálneho parametra prahovej politiky k∗i a maximálnej očakávanej užitočnosti, ktorú pacient pravdepodobne získa z transplantácie v každej oblasti. Toto je reprezentované 11 úžitkovými hodnotami Ui(k∗i , h0, w), i ∈ 1, 2, . . . , 11. Pre jednoduchosť píšeme Ui(k∗i ), ktoré predstavuje očakávanú užitočnosť po transplantácii pre pacienta s danými h0 a w. Výber regiónu sa teraz vykonáva výberom regiónu s najväčšou užitočnosťou.

Pre viacnásobný výpis reprezentujeme akciu zaradenia do regiónu i binárnou rozhodovacou premennou

Pacient má 11 rozhodovacích premenných, jednu pre každú oblasť. Predpokladáme, že pacientka bude chcieť zvýšiť svoje šance uvedením najlepších regiónov s najvyššou očakávanou užitočnosťou vzhľadom na súbor obmedzení. Toto možno formulovať ako nasledujúci optimalizačný problém.

Zhrnutie regionálnej úžitkovej hodnoty zabezpečí, že do riešenia budú zahrnuté regióny s najväčšími službami. Prvé obmedzenie zabezpečuje, že riešenie spĺňa celkový rozpočet C daného pacienta. Druhé obmedzenie zohľadňuje maximálnu vzdialenosť, ktorú môže pacient prejsť, aby sa dostal do transplantačného centra včas. Tretie obmedzenie berie do úvahy pacientove očakávania týkajúce sa výkonu oblasti P a nakoniec posledné obmedzenie obmedzuje rito na 0 alebo 1. Keďže počet oblastí je malý, iba 11, tento problém možno vyriešiť pomocou enumerácie.

4. Aplikácie a číselné výsledky

Túto časť začneme odhadom parametrov potrebných pre simulačný model a potom predstavíme, ako je možné model použiť pre dve aplikácie. Prvá aplikácia ilustruje, ako môže model poskytnúť strategické usmernenie na podporu pacientovej voľby pre presťahovanie sa do iného regiónu alebo zaradenie do viacerých regiónov.

Druhá aplikácia analyzuje potenciálne prínosy využívania moderných technológií zdieľania informácií (napr. prostredníctvom aplikácií pre smartfóny) na zlepšenie sociálneho blahobytu prostredníctvom zvýšenia užitočnosti pacientov po transplantácii aobličkymiery využitia.

cistanche kulturistika

4.1. Odhad parametrov

Na odhad parametrov modelu používame údaje z UNOS a SRTR. Extrahujeme údaje UNOS za rok 2019, aby sme odhadli prírastky do poradovníka a darcuobličkyzásobovanie. Na výpočet čakacej doby používame hodnoty uvádzané SRTR. Systém údajov SRTR obsahuje podrobné lekárske a demografické údaje pre všetkých darcov, pacientov na čakacej listine a príjemcov transplantátov v USA. Použitý súbor údajov pozostáva z viac ako 400{1}} pacientov, ktorí v období od októbra 1987 do konca roka 2019 prvýkrát dostali transplantáciu obličky od mŕtveho darcu.

Výročné správy SRTR a UNOS poskytujú informácie o príchodoch orgánov a činnosti na čakacej listine (napr. štatistiky pridávania a odoberania pacientov). Tieto údaje používame na odhad λj a µjin pre každé obdobie.

Dôležitým faktorom pre odhad rýchlosti príchodu obličiek do fronty krvnej skupiny j je kompatibilita krvných skupín medzi pacientmi a darcami. Podľa kritérií kompatibility krvnej skupiny sú darcovia s krvnou skupinou O univerzálnymi darcami, ktorých obličkové orgány môžu byť ponúknuté pacientom všetkých krvných skupín. Na druhej strane darcovia s krvnou skupinou AB môžu darovať obličky iba pacientom s krvnou skupinou AB, pričom sú univerzálnymi príjemcami zo všetkých krvných skupín. Tabuľka 4 podrobne ukazuje kompatibilitu krvných skupín pre transplantáciu obličky. Tento dokument uvádza iba výsledky pre krvnú skupinu A. Výsledky pre iné krvné skupiny možno získať podobne. Tabuľka 5 ukazuje príchody darcov a pacientov pre krvnú skupinu A.

Na základe údajov SRTR pacienti krvnej skupiny A dostávajú v priemere 94 percent a 6 percent orgánov od darcov krvných skupín A a O, čo sa odráža vobličkyparameter dodávky µj v tabuľke 5. Podľa aktuálnej schémy ponuky používanej OPTN v USA používame v našom simulačnom modeli veľkosť skupiny pacientov g=5. Nastavili sme rýchlosť degradácie obličiek δ na 5 percent podľa správ, že orgány sa zriedka používajú po CIT 48 h [6]. Pri δ=0.05 sa kvalita obličiek zhorší na (1 − 0.05) {{10}},5 percent svojej pôvodnej kvality po 48 hodinách. Na základe diskusií s lekárskym spolupracovníkom používame pravdepodobnosť transplantácie p(transplantácia)=0.8 pre všetky oblasti. Pravdepodobnosť pre každý región by sa dala odhadnúť aj z údajov, ale informácie o odmietnutiach ponúk obličiek v súčasnosti nemáme k dispozícii. Parametre , , a pre funkciu prínosu B(h0, qt) a nákladový faktor C(h0}}, w) možno odhadnúť, ak výsledné údaje vrátane príspevku - je k dispozícii prežitie po transplantácii. Keďže však naša množina údajov tieto údaje neobsahuje, v našej simulácii používame=0.4,=8 a=0.5. Do čakacej listiny pridávame pacientov so zdravotným stavom h0 vybratým z náhodnej premennej H0 s Weibullovým rozdelením. Používame škálový parameter a=8 a parameter tvaru b=2, aby sme získali priemerné zdravie takmer 7 rokov a približne 90 percent populácie do 12 rokov. Používame Spearmanovu poradovú koreláciu ρ(H0, K) 0,2, blízku korelácii medzi akceptovanou kvalitou obličiek a zdravím pacienta pozorovaným v údajoch.

4.2. Výber regiónu a viacnásobný výpis

Na ilustráciu prístupu výberu regiónu uvádzame výsledky pre cieľového pacienta s krvnou skupinou A, jeden rok života na dialýze (h0=1), ktorý je momentálne na pozícii 100 z poradovníka. Čakaciu listinu plníme náhodne vygenerovanými pacientmi (ktorých zdravotný stav pochádza z Weibullovho rozdelenia s korelovaným prahom politiky). Vykonáme rovnakú simuláciu 100-krát pre prahové hodnoty rozhodovania k ∈ {0, 0,1, 0,2, · · ·, 0,9} a spriemerujeme výsledky 100 cyklov, aby sme odhadli očakávanú užitočnosť pre každý prah.

Tabuľka 6 uvádza výsledky pre optimálny prah k∗i, čo vedie k najväčšej očakávanej potransplantačnej užitočnosti Ui(k∗i) pre každú oblasť. Theobličkymiera príchodu do frontu (pacienti na čakacej listine s krvnou skupinou A) za rok je µA a qt je priemerná kvalita transplantovanej obličky. Napríklad, ak je cieľový pacient zaradený do oblasti 6, prahová hodnota k=0,65 je optimálna, čo vedie k užitočnosti 9,6 roka. Naopak, ak je zapísaná v regióne 2, optimálne rozhodnutie môže byť až 0,85 s užitočnosťou 13,22 roka.

Tabuľka 7 predstavuje odhadované údaje, ktoré sme použili v našom optimalizačnom modeli na nájdenie súboru uskutočniteľných oblastí pre pacienta s krvnou skupinou A, o ktorom sa predpokladá, že momentálne žije a je zaradený do oblasti 6. Na odhad očakávanej doby čakania a { {2}}-ročná miera prežitia takýchto pacientov vo všetkých 11 oblastiach. V každom regióne vyberieme hlavné mesto a odhadneme jeho zodpovedajúce mesačné životné náklady pomocou indexu životných nákladov mesta. Náklady na hodnotenie sú definované ako súčin celkového očakávaného počtu hodnotení doobličkytransplantácie a náklady na hodnotenie. Očakávaný počet hodnotení sa odhaduje na základe 6-mesačnej politiky prehodnocovania, ktorú nariadila väčšina transplantačných centier. Vo všeobecnosti je pacient zodpovedný za úhradu nákladov na pravidelné hodnotenie, ak chce byť zaradený do viac ako jedného regiónu, pretože väčšina poistiek pokrýva náklady na pravidelné hodnotenie iba jednej registrácie. Celkové náklady sa vypočítajú takto: celková suma peňazí, ktorú musí pacient zaplatiť (počet hodnotení krát náklady na hodnotenie) plus náklady na cestovanie a pobyt v inom regióne počas troch dní.

Ako príklad tu predpokladáme, že pacient má rozpočet C=15 USD,000. Môže tiež cestovať až D=1500 míľ a jej minimálne očakávania od výkonnosti regiónu sú 75 percent päťročného prežitia. V snahe maximalizovať jej výsledok po transplantácii pri týchto troch obmedzeniach náš model zistil, že okrem domáceho regiónu 6 môže byť pacientka zaradená aj do oblastí 5, 4 alebo 8, pričom oblasť 5 poskytuje najvyššiu očakávanú užitočnosť. OPTN sa zaviazala poskytovať rovnosť v prístupe k transplantáciám a znižovať geografické rozdiely [16]. V rámci bezplatného viacnásobného zoznamu majú pacienti motiváciu zaregistrovať sa v čo najväčšom počte regiónov vzhľadom na svoje rozpočtové obmedzenia. To znamená, že prístup k transplantácii je ovplyvnený finančnými zdrojmi pacienta, čo môže predstavovať problém z hľadiska rovnosti a spravodlivosti. Z dlhodobého hľadiska však voľný výber regiónu a viacnásobné záznamy môžu znížiť geografické rozdiely. Viac pacientov sa prihlási v regiónoch, ktoré v súčasnosti ponúkajú vyššiu užitočnosť, vyrovnávajú rozdiely v dopyte a znižujú medzeru v užitočnosti. V tomto bode sa výhoda väčšieho rozpočtu na začlenenie do viacerých regiónov zníži, čo povedie k spravodlivejšej situácii. V krátkodobom horizonte je potrebné dočasne zabezpečiť spravodlivosť vhodnými politikami, aby sa viacnásobné zoznamy sprístupnili väčšiemu počtu pacientov.

4.3. Vplyv zdieľania informácií na efektívnosť alokácie

Jednou z iniciatív v Strategickom pláne OPTN (2018–2021) [16] s cieľom zvýšiť počet transplantácií je presadzovanie systémových nástrojov na efektívnejšie párovanie darcu a príjemcu. Medzi takéto nástroje patria nástroje na zdieľanie informácií, čo znamená, že transplantačné centrum a pacient zdieľajú aktuálne informácie s OPTN, čo má potenciál urýchliťobličkyalokačný proces a tým znížiť čas studenej ischémie (CIT) a rýchlosť vyradenia obličiek.

Informácie, ktoré možno zdieľať, zahŕňajú:

1. Hranica akceptácie pacienta k: Každý pacient ju hlásiobličkyprah akceptácie kvality k rozhodla ona a jej lekár.

2. Akékoľvek ďalšie rozhodovacie kritériá používané pacientom: Rozhodnutia pacienta a chirurga môžu byť ovplyvnené informáciami, ktoré nie sú zahrnuté vobličkyhodnotenie kvality (KDPI). Zlepšilo by sa viac štandardizovaných parametrov kvality, kde by si pacientka mohla vopred špecifikovať, čo akceptujeobličkypridelenie. Na základe úplných informácií by OPTN mohol okamžite identifikovať pacientov, ktorí by prijali obličku a ušetrili by cennú CIT.

3. Aktuálna dostupnosť pacienta: Aktuálny údaj o tom, či pacient môže v súčasnosti dostať transplantáciu. Medzi faktory patrí aktuálny zdravotný stav a cestovanie.

4. Dostupnosť transplantačného centra: Zohľadňuje dostupnosť transplantačného centra – existujú zariadenia ako pripravené operačné sály, chirurgovia, sestry a personál na vykonanie operácie načas.

Pri perfektných informáciách by mal OPTN prístup k aktuálnym informáciám o všetkých prahoch akceptácie pacientov k, o akýchkoľvek dodatočných požiadavkách na orgán a o dostupnosti pacienta a centra. Preto OPTN mohol priamo identifikovať prvého pacienta na čakacej listine, ktorý prijme a dostane transplantát. To účinne zníži CIT, tj t, na minimum potrebné na extrakciu orgánu a vykonanie transplantácie. V simulačnom modeli je možné dokonalú informáciu vyjadriť nastavením g na dĺžku zoznamu čakateľov, čo znamená, že celý zoznam čakateľov sa okamžite vyhľadá pre zodpovedajúceho pacienta. Predpokladať dokonalé informácie je z mnohých dôvodov nereálne. Technické problémy môžu napríklad ovplyvniť dostupnosť informácií a pacienti alebo centrá nemusia udržiavať všetky informácie neustále aktuálne. Vylepšené je realistickejšie nastavenie, ale stále je nedokonalé zdieľanie informácií. Viac informácií znamená, že pacientov možno rýchlejšie identifikovať pomocou zdieľaných informácií. Túto skutočnosť vyjadrujeme v simulačnom modeli zvýšeným počtom pacientov, ktorých je možné vyhľadať za hodinu (tj nárastom g).

Na ilustráciu efektu zlepšeného zdieľania informácií uvádzame výsledky pre pacientov s krvnou skupinou A v regióne 6. Inicializujeme čakaciu listinu s 1 000 pacientmi a spustíme simuláciu, kým sa dĺžka čakacej listiny nestabilizuje okolo 1 800 pacientov (200 mesiacov). Uvádzame výsledky po tomto zahrievacom období v priemere za 300 mesiacov. Základná línia je aktuálne používaná veľkosť skupiny g=5. Variujeme g, aby sme reprezentovali rôzne úrovne zdieľania informácií.

Tabuľka 8 ukazuje vplyv zdieľania informácií vyjadrený tým, koľko pacientov na čakacej listine možno efektívne zvážiť za hodinu. Pri počiatočnej veľkosti päťčlennej skupiny je akceptovaná priemerná kvalita obličky 0,66, čo vedie k priemernej užitočnosti 10,76 roka na transplantovaného pacienta. Oblička môže cestovať až 45 pacientom na čakacej listine a akceptuje ju v priemere šiesty pacient. Tabuľka 9 uvádza mieru využitia obličiek a úmrtnosti na čakacej listine, okrem miery transplantácie. Miera využitia obličiek sa výrazne zvyšuje so zvyšujúcim sa g.

Ako ukazuje obrázok 5, zlepšenie vobličkyfrekvencia transplantácií je 17 percent pre zdvojnásobenie rýchlosti procesu ponuky g=10 a dosahuje 47 percent, keď sú k dispozícii dokonalé informácie. Na druhej strane, miera úmrtnosti na čakacej listine sa zníži o 7 percent, keď g=10, a zníženie môže dosiahnuť až 21 percent . Simulácia ilustruje vplyv na efektivitu, ktorý môže priniesť zdieľanie informácií do procesu prideľovania.

Zdieľanie informácií je možné realizovať mnohými spôsobmi s využitím súčasných technológií. Príklady zahŕňajú používanie aplikácií a zdravotníckych nositeľných zariadení na sledovanie dostupnosti pacienta takmer v reálnom čase. Na riadenie dostupnosti centra možno využiť štandardizované rozhrania medzi informačným systémom transplantačných centier a OPTN. Zavedenie týchto technológií bude chvíľu trvať, ale výsledky prezentované v tejto simulačnej štúdii naznačujú, že potenciálna odmena je významná s potenciálom znížiťobličkymiery odpadu na minimum.

5. Záverečné poznámky

Prvým príspevkom tohto výskumu je vývoj simulačného modelu, ktorý poskytuje optimálneho mŕtveho darcuobličkyakceptačné usmernenia pre osoby s rozhodovacou právomocou (pacientov a chirurgov). Hlavnou výzvou modelovania prijatia/odmietnutia orgánov je začlenenie skutočných podmienok a situácií, aby bolo možné urobiť zásadné rozhodnutie o záchrane života. Z tohto dôvodu je naším primárnym zámerom ako hlavnou novinkou tejto práce rozpoznať, agregovať a implementovať rôzne základné prvky, ktoré prispievajú k kritériám výberu obličiek. Navrhovaný model umožňuje rôznorodosť zdravia pacientov aobličkykvalitu, ako aj ich koreláciu. Okrem toho zahŕňame zhoršenie kvality obličiek spôsobené hromadením CIT v priebehu procesu prideľovania. Okrem všetkých vyššie uvedených prvkov zahŕňame aj zdravie a dostupnosť pacienta spolu s ľudskými a prevádzkovými zdrojmi, aby sme navrhli optimálne riešenie transplantácie.

Navrhovaný model možno použiť na preskúmanie toho, ako môžu rôzne politické voľby ovplyvniť strategické ciele stanovené OTPN [16]. Ilustrovali sme to na dvoch aplikáciách. Najprv sme ukázali, ako je možné tento model použiť na informovanie o rozhodnutiach pacientov týkajúcich sa viacnásobného zaradenia vzhľadom na náklady, vzdialenosť a obmedzenia kvality starostlivosti. Zatiaľ čo viacnásobné zaradenie môže z krátkodobého hľadiska predstavovať problémy pre spravodlivosť medzi pacientmi na základe finančných zdrojov, má potenciál vyrovnať geografické rozdiely v prístupe k transplantáciám, a tak zvýšiť rovnosť.

Druhá ilustrácia upozorňuje na aspekt sociálneho blahobytuobličkytransplantácia, a nie zameranie sa na nájdenie optimálneho riešenia, ako sa uvažovalo v prvej aplikácii. Porovnávame výsledky sociálnej starostlivosti (tj využitie darcovskej obličky a celosystémovú potransplantačnú užitočnosť) pre niekoľko úrovní dostupných informácií, od žiadnych informácií až po dokonalé informácie. Zvýšená informovanosť vedie k rýchlejšiemu priradeniu obličiek a zníženiu miery vyradenia obličiek. Zvýšenie miery transplantácie zlepšuje sociálnu užitočnosť a skracuje dĺžku transplantácieobličkyčakacia listina na transplantáciu, čas a úmrtnosť. Tvorcovia politík môžu použiť tieto výsledky na motiváciu hodnoty moderných informačných technológií na zhromažďovanie potrebných informácií a ukázať dôležitosť navrhovania štruktúr stimulov, ktoré podporujú včasné zdieľanie informácií pacientmi a centrami. Napríklad návrh aplikácie na transplantáciu orgánov pre smartfón môže poskytnúť bezpečný, jednoduchý a rýchly spôsob, ako včas odoslať a aktualizovať požadované informácie. Tvorca politiky môže chcieť stanoviť základné pravidlo, ktoré musia dodržiavať všetci pacienti a transplantačné centrá, aby dostali ponuky. Napríklad pomocou povinnej technológie aplikácií a služieb môžu transplantačné centrá pravidelne (napr. každý deň) revidovať alebo overovať svoje predložené údaje po tom, ako pozícia pacienta na čakacej listine prekročí určitú hranicu. Navrhovaný model je dostatočne jednoduchý a flexibilný, aby sa dal ľahko prispôsobiť na skúmanie mnohých ďalších aspektov procesu priraďovania obličiek.

Author Cnatributinas:Autori prispeli k tejto práci rovnakým dielom. Všetci autori si prečítali publikovanú verziu rukopisu a súhlasili s ňou

Fonding:Tento výskum nezískal žiadne externé financovanie.

Institutinaal Review Board Statement:Nepoužiteľné.

Informvyd Consent Statement:Nepoužiteľné.

Data Availability Statement:Súbor údajov použitý v tejto analýze je možné získať prostredníctvom UNOS.

Conflicts of Interest:Autori nedeklarujú žiadny konflikt záujmov.

cistanche kulturistika

References

1. Kalifornská univerzita v San Franciscu. TheObličkyProjekt – Vytvorenie bioartificiáluObličkyako trvalé riešenie zlyhania obličiek. Dostupné na internete: (prístup 4. apríla 2020).

2. NárodnáObličkyNadácia. Štatistika darcovstva orgánov a transplantácií. 2016. Dostupné na internete: (prístup 16. 4. 2020).

3. Regióny OSN: Regionálne zdroje orgánových transplantácií. Dostupné na internete: (prístup 20. marca 2020).

4. OPTN. Zásady účinné od 6. decembra 2020 [Ex Comm 9.9.A.]. Dostupné na internete: (prístup 2. januára 2021).

5. Wey, A.; Salkowski, N.; Kasiske, BL; Israni, AK; Snyder, JJ Vplyvobličkysprávanie akceptácie ponuky na metrikách efektívnosti prideľovania. Clin. Transplantácia. 2017, 31, e13057.

6. Koizumi, N.; DasGupta, D.; Patel, AV; Smith, TE; Mayer, JD; Callender, C.; Melancon, JK Geografická variácia v čase studenej ischémie:ObličkyVersus Transplantácia pečene v Spojených štátoch, 2003 až 2011. Transplantácia. Priamy2015, 1, e27.

7. Howard, DH Prečo transplantační chirurgovia odmietajú orgány?: Model rozhodnutia o prijatí/odmietnutí. J. Health Econ. 2002, 21, 957-969.

8. Lawson, C.; Johnson, D.; Clapper, D.; Fowler, K.; Kapur, S. ZníženieObličkyMiera vyradenia. Správy o obličkách. 2017. Dostupné na internete:(prístup 22. 2. 2020).

9. Zhang, J. Zvuk ticha: Pozorovacie učenie v USAobličkytrhu. Marka. 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. Asociácia stredísk hodnotenia výkonnosti aobličkytransplantovaný objem v Spojených štátoch. Am. J. Transplant. 2013, 13, 67–75.

11. Shold, J.; Buccini, L.; Poggio, E.; Flechner, S.; Goldfarb, D. Asociácia stiahnutí kandidátov zObličkyZoznam čakateľov na transplantáciu a dohľad nad výkonom centra. Am. J. Transplant. Vypnuté. J. Am. Soc. Transplantácia. Am. Soc. Transpl. Surg. 2016, 16, 1276–1284.

12. Bae, S.; Massie, AB; Luo, X.; Anjum, S.; Desai, NM; Segev, DL Zmeny vo vyraďovacej miere po zavedení indexu profilu darcu obličiek (KDPI). Am. J. Transplant. 2016, 16, 2202–2207.

13. Schold, JD; Buccini, LD; Goldfarb, DA; Flechner, SM; Poggio, ED; Sehgal, AR Asociácia medziobličkyvýkonnosť transplantačného centra a prínos prežitia z transplantácie oproti dialýze. Clin. J. Am. Soc. Nephrol. 2014, 9, 1773–1780.

14. Haller, MC; Kainz, A.; Baer, ​​H.; Oberbauer, R. Dialýza ročník a výsledky poobličkytransplantácia: Retrospektívna kohortová štúdia. Clin. J. Am. Soc. Nephrol. 2016, 12, 122–130.

15. UNOS. Hovoríme o transplantácii – často kladená otázka o viacnásobnom výpise a prenose čakacej doby. 2017. Dostupné na internete: (prístup 13. 6. 2020).

16. OPTN. Strategický plán OPTN/UNOS na roky 2018–2021. Dostupné na internete: (prístup 12. apríla 2020).

17. Chakkera, HA; Chertow, GM; O'Hare, AM; Amend, WJ; Gonwa, TA Regionálna variácia vobličkyvýsledky transplantácie: Trendy v čase. Clin. J. Am. Soc. Nephrol. 2009, 4, 152–159.

18. Ardekani, MS; Orlowski, JM Viacnásobný výpis vobličkytransplantácia. Am. J.ObličkyDis. 2010, 55, 717–725.

19. UNOS. Viacnásobný výpis. Dostupné na internete:(prístup 1. decembra 2018).

20. Gharibi, Z.; Ayvaci, MU; Hahsler, M.; Giacoma, T.; Gaston, RS; Tanriover, B. Nákladová efektívnosť indukčnej terapie na báze protilátok u mŕtveho darcuobličkytransplantácie v Spojených štátoch. Transplantácia 2017, 101, 1234.