作为全球肝移植（LT）领域的标杆学术会议，2026年第30届国际肝移植学会（ILTS）年会集结多国顶尖专家学者，聚焦肝病、移植免疫及器官移植热点议题，系统展示了该领域前沿科研成果与临床实践经验。

LT术后早期死亡一直是移植领域亟待解决的重大临床难题，也是影响受者远期预后与器官移植获益的瓶颈。临床现有常规评分体系对术后短期死亡风险的预测效能有限，针对此困境浙江大学医学院附属第一医院肝胆胰外科、肝移植中心专家对中国临床数据进行分析并在ILTS年会上披露，旨在探讨可解释机器学习（ML）模型在肝移植受者术后早期死亡风险精准预测中的应用价值与临床可行性，为LT术个体化临床决策提供量化工具参考¹。医脉通整理研究内容如下，以飨读者。

本研究分析了2016年至2023年间1251例成年LT受者的数据。利用电子病历和中国人体器官分配与共享计算机系统中的临床数据，建立基于逻辑回归的ML模型，以识别早期死亡（术后<90天）的独立预测因子。研究通过一致性指数、校准曲线和决策曲线分析（DCA），将该模型的表现与现有的临床评分系统进行预测效能对比。

研究按终末期肝病模型（MELD）评分对研究队列进行分层。在MELD评分<25的受者中（n=707），手术相关因素是术后早期死亡的主要影响因素。在MELD评分≥25的受者中（n=544），研究识别出了5个关键预测因子：MELD评分、ABO血型不相容移植、受者恶性肿瘤史、供者血清白蛋白水平以及供者大剂量血管活性药物使用史。该ML模型展现出了稳健的预测准确性，其曲线下面积（AUC）为0.761，显著优于现有的临床评分系统。校准曲线和临床影响曲线也证实了该模型的可靠性及其潜在的临床实用价值。结果参考图1、图2和图3。

图1训练队列的ROC曲线

图2验证队列的ROC曲线

图3MELD评分≥25的LT受者早期死亡（术后<90天）列线图