یک مدل بهینه‌سازی مبتنی بر شبیه‌سازی برای مطالعه تأثیر فهرست‌بندی چند منطقه و اشتراک‌گذاری اطلاعات بر نتایج پیوند کلیه

زهرا غریبی 1* و مایکل هاسلر 2

خلاصه:بیش از 8000 بیمار در لیست انتظار برایکلیهپیوند از بین می رود یا به دلیل وخامت وضعیت سلامتی، واجد شرایط دریافت پیوند نمی شود. در همان زمان، سالانه بیش از 4000 کلیه بهبود یافته از اهداکنندگان فوت شده در ایالات متحده دور ریخته می شود. این مقاله یک مدل بهینه‌سازی مبتنی بر شبیه‌سازی را توسعه می‌دهد که چندین عامل حیاتی را برای a در نظر می‌گیردکلیهپیوند برای بهبودکلیهاستفاده برخلاف اکثر مدل‌های پیشنهادی، مدل بهینه‌سازی ارائه‌شده شامل جزئیات فرآیند ارائه، زوال سلامتی بیمار وکلیهکیفیت در طول زمان، همبستگی بین سلامت بیماران و تصمیمات پذیرش، و احتمال پذیرش کلیه. ما پارامترهای مدل را با استفاده از داده‌های به‌دست‌آمده از شبکه متحد اشتراک اعضا (UNOS) و ثبت علمی دریافت‌کنندگان پیوند (SRTR) برآورد می‌کنیم. با استفاده از این پارامترها، ما قدرت مدل بهینه سازی مبتنی بر شبیه سازی را با استفاده از دو برنامه کاربردی مرتبط نشان می دهیم. اولی اثرات تشویق بیماران به دنبال لیست انتظار چند منطقه ای را بر نتایج پس از پیوند بررسی می کند. در اینجا، یک مدل بهینه‌سازی مبتنی بر شبیه‌سازی به بیمار این امکان را می‌دهد تا با توجه به نسبت تقاضا به عرضه، بهترین مناطق را برای قرار گرفتن در لیست انتظار انتخاب کند. کاربرد دوم بر جنبه ای از پیوند در سطح سیستم متمرکز است، یعنی سهم اشتراک گذاری اطلاعات در بهبود نرخ دفع کلیه و رفاه اجتماعی. ما اثرات استفاده از فناوری اطلاعات مدرن را برای تسریع یافتن بیمار منطبق با اندام اهداکننده موجود بر روی مرگ و میر لیست انتظار، دفع کلیه و نرخ پیوند بررسی می‌کنیم. ما نشان می‌دهیم که پشتیبانی فناوری اطلاعات مدرن که در حال حاضر توسط شبکه متحد برای اشتراک اعضا (UNOS) توسعه یافته است ضروری است و می‌تواند به طور قابل توجهی استفاده از کلیه را بهبود بخشد.

کلید واژه ها:مدل شبیه سازی;کلیهپذیرش - پذیرفته شدن؛کلیهتخصیص فهرست چند منطقه ای؛ به اشتراک گذاری اطلاعات

مخاطب:joanna.jia@wecistanche.com

سیستانچتوبولوزا از بیماری کلیوی جلوگیری می کند، برای دریافت نمونه اینجا را کلیک کنید

1. مقدمه

مزمنکلیهبیماری (CKD) از دست دادن پیشرونده استکلیهعملکرد در طول زمان CKD یک بحران بهداشتی در سراسر جهان است زیرا در حال حاضر بیش از 2 میلیون بیمار از بیماری کلیوی مرحله نهایی (ESRD) یا نارسایی کلیه رنج می برند. انتظار می رود تعداد بیمارانی که با ESRD تشخیص داده می شوند با نرخی بین 5 تا 7 درصد در هر سال افزایش یابد [1]. در حال حاضر هیچ درمانی برای آن وجود نداردکلیهنارسایی، و بیماران مبتلا به ESRD برای زنده ماندن نیاز به دریافت دیالیز مکرر یا پیوند کلیه از یک اهدا کننده زنده یا فوت شده دارند. برای اکثر بیماران، پیوند کلیه درمان ارجح است که امید به زندگی طولانی تری با کیفیت زندگی بالاتر از دیالیز فراهم می کند. با این حال، بیماران در سراسر جهان با کمبود مزمن کلیه های اهدایی قابل دسترسی برای پیوند مواجه هستند.

در حال حاضر در ایالات متحده، نزدیک به 100،{1}} بیمار در لیست انتظار هستند و به طور متوسط، بیش از 3000 بیمار جدید در هر ماه ثبت نام می شوند. سالانه بیش از 4000 بیمار در حالی که در انتظار نجات هستند جان خود را از دست می دهندکلیهپیوند، و بیش از 4000 بیش از حد بیمار می شوند و برای درک دلایل چنین نرخ بالای دور ریختنی، باید بهکلیهفرآیند تخصیص و عرضه تفاوت های قابل توجهی بین کلیه های اهدا کننده زنده و متوفی و ​​بین کشورهای مختلف وجود دارد. ما در اینجا تمرکز می کنیمکلیه هااز اهداکنندگان فوت شده در ایالات متحده مهمترین معیار برای تخصیص کلیه اهداکننده متوفی عبارتند از (1) سازگاری پزشکی اهداکننده و گیرنده، (2) عوامل لجستیکی، و (3) موقعیت بیمار در لیست انتظار (به عنوان مثال، زمان انتظار، امتیاز). به طور خاص، در ایالات متحده، شبکه متحد اشتراک اعضا (UNOS) شبکه تامین و پیوند اعضا (OPTN) را مدیریت می‌کند و مسئول جمع‌آوری داده‌ها در مورد بیماران و اهداکنندگان است. علاوه بر اطلاعات لجستیکی و زمان انتظار، داده های لیست انتظار شامل هویت بیمار، عوامل دموگرافیک (به عنوان مثال، جنسیت، نژاد، سن) و ویژگی های پزشکی (به عنوان مثال، گروه خونی ABO، آنتی ژن های لکوسیت انسانی (HLAs)، واکنش پانل است. آنتی بادی (PRA)). به طور مشابه، برای ایجاد یک پایگاه داده اهداکننده متوفی، UNOS اطلاعاتی در مورد دموگرافیک اهداکننده، تدارکات اهداکننده، بازیابی و حفظ و ویژگی های پزشکی اهداکننده به دست می آورد. در ایالات متحده، در مجموع 16534 کلیه پیوند شد. علیرغم تقاضای زیاد و کمبود قابل توجه کلیه، تقریباً از هر پنج کلیه که از اهداکنندگان فوت شده بهبود یافته، یک نفر دور انداخته می شود [2].

برای درک دلایل چنین نرخ‌های دور ریختنی بالایی، باید به آن نگاه کنیمکلیهفرآیند تخصیص و عرضه تفاوت های قابل توجهی بین اهدا کننده زنده و متوفی وجود داردکلیه هاو بین کشورهای مختلف ما در اینجا بر کلیه های اهداکنندگان فوت شده در ایالات متحده تمرکز می کنیم. مهمترین معیار برای تخصیص کلیه اهداکننده متوفی عبارتند از (1) سازگاری پزشکی اهداکننده و گیرنده، (2) عوامل لجستیکی، و (3) موقعیت بیمار در لیست انتظار (به عنوان مثال، زمان انتظار، امتیاز). به طور خاص، در ایالات متحده، شبکه متحد اشتراک اعضا (UNOS) شبکه تامین و پیوند اعضا (OPTN) را مدیریت می‌کند و مسئول جمع‌آوری داده‌ها در مورد بیماران و اهداکنندگان است. علاوه بر اطلاعات لجستیکی و زمان انتظار، داده های لیست انتظار شامل هویت بیمار، عوامل دموگرافیک (به عنوان مثال، جنسیت، نژاد، سن) و ویژگی های پزشکی (به عنوان مثال، گروه خونی ABO، آنتی ژن های لکوسیت انسانی (HLAs)، واکنش پانل است. آنتی بادی (PRA)). به طور مشابه، برای ایجاد یک پایگاه داده اهداکننده متوفی، UNOS اطلاعاتی در مورد دموگرافیک اهداکننده، تدارکات اهداکننده، بازیابی و حفظ و ویژگی های پزشکی اهداکننده به دست می آورد.

UNOS از یک شبکه کامپیوتری متمرکز برای اتصال همه سازمان های تدارکات عضو (OPOs) و مراکز پیوند استفاده می کند. برای تخصیص اهداییکلیه ها، UNOS از سیستم تطبیق دهنده و گیرنده خود استفاده می کند. هر بار یک اهدا کننده فوت شده جدیدکلیهبرای پیوند بازیابی می‌شود، UNOS یک الگوریتم مسابقه اجرا را اعمال می‌کند، برنامه‌ای که داده‌های اهداکننده را با داده‌های بیماران فعال در فهرست انتظار مقایسه می‌کند. یک لیست مرتب شده از بیماران با استفاده از قوانین و سیاست های تخصیص کلیه ایجاد می شود. عواملی که در ایجاد این لیست در نظر گرفته شده اند عبارتند از: زمان انتظار، سازگاری با سیستم ایمنی اهداکننده و گیرنده، واجد شرایط بودن اولویت اهداکننده زنده، فاصله از بیمارستان اهداکننده، سود بقا (تطابق طول عمر اهداکننده و گیرنده)، و وضعیت کودکان.

فرآیند ارائه کامل پیچیده است و ما در اینجا فقط بر اجزای اصلی که برای مدل شبیه‌سازی مورد بحث در این مقاله ضروری هستند تمرکز می‌کنیم. این فرآیند با بیمارانی شروع می‌شود که در OPOهای محلی فهرست شده‌اند (58 OPO در ایالات متحده وجود دارد که هرکدام دارای منطقه خدماتی خاص خود هستند)، که سازگار با پزشکی هستند و بالاترین اولویت را در لیست انتظار دارند. اگر تخصیص محلی ناموفق باشد، عضو در منطقه (ایالات متحده در حال حاضر به 11 منطقه پیوند تقسیم شده است) و در نهایت در سراسر کشور ارائه می شود. شکل 1a،b به ترتیب 11 منطقه جغرافیایی در ایالات متحده [3] و سلسله مراتب جغرافیایی فرآیند ارائه کلیه را نشان می دهد. جزئیات بیشتر در مورد سیاست تدارکات و تخصیص اعضای بدن در [4] موجود است. یکی از دلایل اولویت بندی بیماران محلی درکلیهفرآیند انتساب کاهش زمان بین تهیه اندام و کاشت است. این زمان، زمان ایسکمی سرد (CIT) نامیده می شود و نقش اساسی در نتایج پیوند کلیه ایفا می کند [5،6].

شکل 2 و جدول 1 تغییرات منطقه ای در CIT، زمان انتظار وکلیهنتایج پیوند در سراسر ایالات متحده، به ترتیب. تفاوت قابل توجهی در زمان انتظار کلیه اهداکنندگان فوت شده در سراسر ایالات متحده وجود دارد. عوامل متعددی می تواند بر زمان انتظار بیمار تا زمان پیوند تأثیر بگذارد. علاوه بر فاکتورهای بالینی بیمار مانند گروه خونی و درجه حساسیت نشان داده شده توسط PRA (آنتی بادی واکنشگر پانل)، جغرافیا و محل سکونت بیمار تأثیر فوق العاده ای بر شانس دسترسی به موقع به پیوند کلیه دارد. این مهم است زیرا مناطق با CIT طولانی تر احتمال بیشتری دارد که نرخ بقای بیمار پس از پیوند و پیوند کمتری داشته باشند. به طور دقیق تر، همانطور که نتایج نرخ بقای یک و پنج ساله بیمار و پیوند پس از پیوند کلیه نشان می دهد، منطقه 9 با طولانی ترین CIT در بین تمام مناطق دارای کمترین میزان بقای یک و پنج ساله بیمار و پیوند در بین تمام 11 منطقه است. مناطق به طور معمول وقتی CIT به 24 ساعت می رسد، یافتن بیمار برای پذیرش اندام پیشنهادی دشوار است. در بیشتر موارد، کلیه ها پس از 48 ساعت CIT دور ریخته می شوند. بنابراین کاهش CIT کلیه از طریق بهبودهای مدیریتی می تواند راهی مقرون به صرفه برای بهبود سیستم پیوند فعلی و نتایج باشد.

جراحان پیوند پیوند و تنظیم کننده ها در ایالات متحده نگرانی های خود را در مورد بالا مشاهده کرده اندکلیهبا وجود لیست انتظار رو به رشد، زمان انتظار طولانی و نرخ بالای حذف لیست انتظار، نرخ ها را نادیده بگیرید. جدول 2 لیست انتظار و اطلاعات پیوند را برای ایالات متحده و کشورهای Eurotransplant (ET) نشان می دهد. Eurotransplant یک سازمان غیرانتفاعی بین المللی است که مسئول تخصیص و پیوند اعضا در اتریش (A)، بلژیک (B)، کرواسی (HR)، آلمان (D)، مجارستان (H)، لوکزامبورگ (LR)، هلند (NL) و اسلوونی است. (SLO). حتی اگر تعداد اهدا شدهکلیه هاو پیوندهای انجام شده در سال 2019 در ایالات متحده به بالاترین حد خود رسیده است، میزان دفع کلیه تقریباً 26 درصد (محاسبه شده به عنوان تعداد پیوند کلیه متوفی بیش از دو برابر تعداد کل اهداکنندگان فوت شده) در مقایسه با ET نگران کننده است. نرخ دور ریختن کشورها 20 درصد است.

شایع ترین دلیل اهدا کنندهکلیهامتناع و دور انداختن بالقوه نگرانی هایی در مورد کیفیت کلیه اهداکننده است. داده‌ها نشان می‌دهد که جراحان پیوند کلیه‌های با کیفیت پایین را برای یک بیمار نسبتاً سالم به امید دریافت پیشنهاد بهتر در آینده رد می‌کنند [7]. علاوه برکلیهکیفیت،کلیهنرخ پذیرش و دور ریختن نیز ممکن است تحت تأثیر خود فرآیند تخصیص قرار گیرد [8]. شواهد نشان می دهد که کلیه هایی که در مراحل اولیه تخصیص رد می شوند، احتمال کمتری دارد که بعداً پذیرفته شوند [9]. نگرانی دیگر افزایش ریسک گریزی مراکز پیوند به دلیل گزارش های برنامه خاص است که نتایج پس از پیوند را ارزیابی می کند. اینها ممکن است انگیزه‌ای برای مراکز درخواست کلیه‌های با کیفیت بالاتر فراهم کند. در نتیجه، آنها ممکن است کلیه های کافی برای بیمار را رد کنند، اما این خطر تأثیر منفی بر ارزیابی نتایج پس از پیوند آنها دارد [8،10-15].

یکی دیگر از دلایل عدم رعایت بالا به اندازه کافیکلیهاستفاده نابرابری جغرافیایی ایالات متحده در دسترسی به پیوند کلیه است. جدول 3 تفاوت های جغرافیایی را در تعداد اهداکنندگان، OPO ها و مراکز پیوند متوفی در 11 منطقه نشان می دهد. چندین ایالت مانند وایومینگ، آیداهو و مونتانا با وجود میزان بالای اهدای عضو، مراکز پیوند ندارند. چنین تنوع و تفاوتی در OPOها و امکانات پیوند اعضا ممکن است منجر به در دسترس بودن ناعادلانه اعضا، دسترسی ضعیف به مراقبت و زمان انتظار طولانی غیرضروری برای برخی از بیماران شود. یکی از پنج هدف استراتژیک UNOS ایجاد برابری در دسترسی به پیوند و کاهش اختلاف جغرافیایی است [16]. برای بهبود شانس دریافت یک عضو اهدایی مناسب و کاهش زمان انتظار طولانی، بیماران ممکن است به منطقه‌ای با زمان انتظار کوتاه‌تر نقل مکان کنند یا در چندین مرکز پیوند، که معمولاً در مناطق مختلف قرار دارند، ثبت نام کنند [17]. UNOS چندین خط مشی فهرست بندی ایجاد کرده است که به بیماران اجازه می دهد در بیش از یک مرکز پیوند ثبت نام کنند.

در حال حاضر حدود 4 درصد از بیماران در انتظار aکلیهپیوندها چند فهرستی هستند که بالاترین میزان را در بین همه اندام ها دارد [18].

مانند هر عضوی از پیوند، بیمار باید آزمایشات ارزیابی را کامل کند و به مقررات مرکز پیوند، مانند توانایی رسیدن به مرکز پیوند در یک زمان معین، متعهد باشد. برای ثبت نام در مراکز متعدد، این فرآیند می تواند بسیار پرهزینه باشد زیرا ممکن است اکثر شرکت های بیمه هزینه ارزیابی های اضافی را جبران نکنند [15،19]. علاوه بر این، بیمارانی که پیوند عضو دریافت می‌کنند باید داروهای سرکوب‌کننده سیستم ایمنی را به عنوان بخشی از مراقبت‌های پس از پیوند خود مصرف کنند تا مطمئن شوند بدن‌شان عضو جدید را پس نمی‌زند [20]. بنابراین، بیمار باید بیاموزد که آیا می توان مراقبت های پس از پیوند را به مرکز نزدیکتر به محل سکونت او منتقل کرد یا خیر. بدون سیاست‌هایی برای حمایت مالی کافی برای هزینه‌های سفر، این امر به وضوح همچنان یک مسئله را از نظر عدالت و انصاف ایجاد می‌کند که سیاست‌گذاران باید به آن توجه کنند.

در این مقاله، ما یک مدل شبیه‌سازی تصادفی را معرفی می‌کنیم که می‌تواند برای تجزیه و تحلیل اثر تغییرات در سیستم تخصیص کلیه و فرآیند ارائه مورد استفاده قرار گیرد. مدل شبیه‌سازی شامل سلامت بیمار، کیفیت اهداکننده-کلیه استکلیهشاخص نمایه اهداکننده (KDPI) [21]، بدتر شدن کیفیت کلیه اهداکننده به دلیل انباشت CIT در طول فرآیند تخصیص، و همچنین عرضه و تقاضای کلیه. علاوه بر این، مدل این شانس را در نظر می گیرد که کلیه اهداکننده به دلایل دیگر (به عنوان مثال، بیماری کوتاه مدت بیمار، منابع جراحی ناکافی، نتایج متقاطع) قابل پذیرش نباشد. با استفاده از پارامترهای مدل برآورد شده از داده های ارائه شده توسط UNOS و ثبت علمی دریافت کنندگان پیوند (SRTR)، مدل شبیه سازی را برای بررسی دو روند حیاتی زیر برای بهبود نرخ پیوند کلیه اهداکننده اعمال می کنیم:

1. فهرست‌بندی چندگانه: انتقال به منطقه‌ای با زمان انتظار کوتاه‌تر یا قرار گرفتن در فهرست انتظار در چندین منطقه می‌تواند با افزایش شانس بیمار برای دریافت زودتر پیوند کلیه به بیمار کمک کند. در نتیجه، بیمار می‌تواند نتایج پس از پیوند را به دلیل وخامت کمتر سلامتی ناشی از ماندن در دیالیز بهبود بخشد. با این حال، توسعه یک استراتژی برای هدایت تصمیم بیمار برای انتقال یا چند لیست آسان نیست. ما تصمیم را به عنوان یک مشکل حداکثرسازی مطلوبیت تحت مجموعه ای از محدودیت های بودجه، فاصله و امکانات در سطح منطقه ای فرموله می کنیم. عرضه و تقاضا در 11 منطقه ایالات متحده و برای گروه های خونی مختلف بسیار متفاوت است. چنین تغییراتی منجر به زمان‌های انتظار بسیار متفاوت می‌شود که منجر به ابزارهای مورد انتظار متفاوت و استراتژی‌های پذیرش بهینه کلیه می‌شود (که به عنوان آستانه کیفیت کلیه بهینه بیان می‌شود). برای استخراج مطلوبیت بیمار برای مناطق مختلف، از مدل شبیه‌سازی برای به دست آوردن سودمندی تحت تصمیم‌های فردی بهینه پذیرش پیوند کلیه بر اساس وضعیت سلامت بیمار و عرضه و تقاضا برای گروه خونی بیمار استفاده می‌کنیم. ما از اطلاعات به‌دست‌آمده برای حل مسئله بهینه‌سازی و استخراج خط مشی انتخاب منطقه بهینه استفاده می‌کنیم.

2. فناوری اطلاعات: ارتباط سریع و دقیق بین UNOS و مراکز پیوند برای کارآمدتر کردن تخصیص اندام ضروری است، که حتی در مواجهه با بیماران چند فهرستی حیاتی تر می شود. هدف UNOS افزایش استفاده از فناوری اطلاعات در تخصیص و پیوند اعضا است. آنها یک سیستم آنلاین امن را پیاده‌سازی کرده‌اند که داده‌ها را جمع‌آوری می‌کند تا توانایی سیستم پیوند را افزایش دهد تا شانس بیمار برای دریافت عضوی نجات‌بخش را افزایش دهد. همانطور که فناوری تکامل یافته است، UNOS همچنین توسعه و استفاده از فناوری مدرن مانند دستگاه های تلفن همراه را برای بررسی سریع تر و کارآمدتر کمک کنندگان تشویق می کند.کلیهدستیابی به نرخ استفاده بالاتر از کلیه را ارائه می دهد [22]. به عنوان مثال، دستگاه‌های تلفن همراه جمع‌آوری دسترسی به‌روز بیماران برای پیوند را آسان‌تر می‌کنند (مثلاً از طریق یک برنامه). با استفاده از این اطلاعات، OPTN کلیه را سریع‌تر تخصیص می‌دهد، و بدتر شدن کلیه را کاهش می‌دهد و دفع می‌کند. در مورد ایده آل اطلاعات کامل، OPTN می تواند اولین بیمار را در لیست انتظار بیابد که فوراً آن را می پذیرد.کلیه، CIT را کاهش داده و به حداقل برسانید. شبیه سازی ارائه شده اثر یک مورد واقعی از اشتراک گذاری اطلاعات ناقص را ارزیابی می کند.

   
   

   
   

2. بررسی ادبیات

در این بخش، مطالعات پزشکی و تحلیلی در مورد پیوند عضو مربوط به این مقاله را بررسی می‌کنیم. برای مقالات پزشکی، ما عمدتا بر روی CIT و انتظار برای دیالیز تایمون به عنوان دو عامل خطر مستقل قابل کنترل که به طور موثر در نتایج پیوند کلیه کمک می‌کنند، تمرکز می‌کنیم. برای بخش تحلیلی، ما مقالاتی را بررسی می‌کنیم که در یک یا هر دو جریان تحقیقاتی مرتبط با تصمیم‌گیری برای پذیرش اندام‌های اهداکننده متوفی و ​​طراحی فرآیند تخصیص هستند.

2.1. ادبیات پزشکی

چندین محقق در سراسر آمریکای شمالی، آمریکای جنوبی و اروپا ارتباط بین CIT وکلیهنتایج پیوند [23،24]. تجزیه و تحلیل انجام شده توسط Nieto-Ríos و همکاران. [25] نشان می دهد که CIT یک عامل خطر مستقل برای عملکرد پیوند تاخیری (DGF) است. به طور دقیق تر، خطر ابتلا به DGF با فراتر رفتن CIT از 18 ساعت افزایش می یابد. با این حال، تأثیر منفی بر نتایج رد حاد یا از دست دادن پیوند یک ساله پس از پیوند ندارد.

یک مطالعه فرانسوی توسط Debout و همکاران. [26] نشان می دهد که خطر شکست آلوگرافت و مرگ و میر پس از پیوند به طور قابل توجهی برای هر ساعت اضافی CIT افزایش می یابد. مطالعه مشابهی که توسط Valdivia و همکاران انجام شد. [27] در اندلس، اسپانیا، تأیید می کند که CIT طولانی مدت ممکن است بر میزان بقای بیمار و پیوند تأثیر بگذارد. این مطالعه نشان می دهد که CIT طولانی ممکن است خطر عملکرد ضعیف اولیه پیوند را بدون در نظر گرفتن سن اهداکننده و گیرنده افزایش دهد. با افزایش CIT، شانس DGF نیز افزایش می یابد. با این حال، ارتباط مضر CIT طولانی مدت با خطر DGF در اهداکنندگان مسن تر (به عنوان مثال، معیارهای گسترش یافته، اهداکنندگان) تقویت نمی شود. این مطالعه نشان می دهد که اثر CIT بر رد حاد پیوند کلیه (ARTR) در بین بیماران تحت درمان قابل توجه تر است.کلیهپیوند مجدد تجزیه و تحلیل همچنین نشان می دهد که کلیه های اهدایی با CIT 24 ساعت یا بیشتر در مقایسه با اندام هایی با CIT کمتر از 12 ساعت در معرض خطر بیشتری برای ARTR هستند. کویزومی و همکاران [6] گزارش می دهد که تغییرات منطقه ای در نتایج کلیه در ایالات متحده مشاهده شده است، اما دلیل اصلی این تغییرات نامشخص است. این مطالعه تغییرات قابل توجهی در زمان ایسکمی سرد (CIT) در مناطق مختلف کلیه اهداکنندگان را نشان می‌دهد. به طور خاص، آنها دریافتند که مناطق با CIT طولانی تر احتمال بیشتری دارد که نرخ بقای کلیه پس از پیوند کمتری داشته باشند. آنها پیشنهاد می کنند که بهبودهای مدیریتی می تواند یک انتخاب مقرون به صرفه برای افزایش عملکرد سیستم پیوند فعلی و کاهش پتانسیل میزان دفع عضو باشد.

Meier-Kriesche و همکاران. [28] از داده‌های ثبت سیستم داده‌های کلیه ایالات متحده (USRDS) برای در نظر گرفتن ارتباط بالقوه بین زمان انتظار و نتایج پیوند کلیه استفاده کنید. مطالعه آنها تأیید می کند که زمان انتظار طولانی یک عامل خطر مهم است که بر مزایای بقای پیوند کلیه تأثیر منفی می گذارد. در نتیجه، آنها پیشنهاد می کنند که هر چه بیماران ESRD زودتر پیوند کلیه را دریافت کنند، شانس بقای طولانی مدت آنها بیشتر است. Meier-Kriesche و Kaplan [29] اهمیت زمان انتظار در دیالیز را به عنوان مهم ترین عامل خطر مستقل در مورد بررسی می کنند.کلیهنتایج پیوند به عنوان بخشی از تجزیه و تحلیل خود، آنها تخمین های Kaplan-Meier و مدل های خطر متناسب کاکس را در پایگاه داده سیستم داده کلیوی ایالات متحده برای بررسی تأثیر زمان انتظار بر اهداکننده متوفی اعمال می کنند.کلیهنتایج. یافته‌های آن‌ها نشان می‌دهد که نرخ بقای پیوند پنج و ده ساله در میان دریافت‌کنندگان کلیه جفتی که بیش از دو سال برای دیالیز منتظر بوده‌اند، به‌طور قابل‌توجهی بدتر از بیماران جفتی است.کلیهدریافت کنندگان با زمان انتظار کمتر از نیم سال.

2.2. ادبیات تحلیلی

ادبیات تحلیلی بر روی طراحی تمرکز داردکلیهفرآیند تخصیص و اغلب از مدل های شبیه سازی استفاده می کند. مسائل مورد بحث، اثربخشی و برابری فرآیند تخصیص و تأثیر تصمیم پذیرش کلیه است.

برای تجزیه و تحلیل فرآیند تخصیص مورد استفاده در سال 2000، Zenios و همکاران. [30] تخصیص منابع پویا را پیشنهاد می کند که امید به زندگی بیمار را از دریافت پیوند کلیه به حداکثر می رساند و در عین حال نابرابری بین بیماران را به حداقل می رساند. مدل شبیه‌سازی ساخته‌شده نشان می‌دهد که سیاست تخصیص عضوی که در حال حاضر استفاده می‌شود، امید به زندگی تنظیم‌شده با کیفیت بیمار را افزایش می‌دهد و زمان انتظار مورد انتظار را کاهش می‌دهد.

راکلیهتصمیم پذیرش برای یک جریان کامل از تحقیقات مرکزی است. Ahn و Hornberger [31] یک مدل نظری ایجاد می کنند که سلامت بیمار را در تصمیم گیری پذیرش/رد در مورد کیفیت کلیه های ارائه شده در نظر می گیرد. تجزیه و تحلیل آنها نشان می دهد که یک بیمار نسبتا سالم می تواند در مورد کیفیت اهدا کننده انتخابی باشد.کلیه هاو انتظار داشته باشید که با پذیرش یک کلیه با کیفیت بالا، نتیجه بهتری پس از پیوند دریافت کنید. اثر انتخاب بیمار بر سیستم تخصیص اندام توسط سو و زنیوس [32] مورد مطالعه قرار گرفته است. این مطالعه یک مدل صف را معرفی می‌کند که با ارزیابی عملکرد سیستم انتظار تحت هر دو خط‌مشی اولین خدمت اول (FCFS) و آخرین خدمت اول (LCFS) اثرات انتخاب بیمار بر میزان دفع کلیه را تحلیل می‌کند. آنها نتیجه می گیرند که LCFS کارآمدتر از FCFS است. در واقع، برخلاف LCFS، سیاست FCFS بیماران را تشویق می‌کند تا از کلیه‌های با کیفیت پایین امتناع کنند و در نتیجه استفاده از کلیه‌ها کم می‌شود. از سوی دیگر، مدل نشان می دهد که سیاست LCFS استفاده بهینه از اندام را به دست می آورد. در یک مطالعه متفاوت، Su و Zenios [33] نقش انتخاب بیمار در تخصیص کلیه را با استفاده از یک مدل تخصیص تصادفی متوالی بررسی کردند. این مدل به تعارض بین انتخاب بیمار و رفاه اجتماعی می پردازد. تجزیه و تحلیل دو طرح را در نظر می گیرد، که در طرح اول فرض می شود که بیماران باید کلیه پیشنهادی را بپذیرند. اولین راه حل، یافتن سیاست تخصیصی است که رفاه اجتماعی را به حداکثر برساند. با معرفی انتخاب بیمار، خط مشی اول بهترین اصلاح می شود تا به خط مشی بهترین دوم دست یابد. در نتیجه، یک شرایط سازگاری انگیزشی معرفی می‌شود که باعث می‌شود سیاست تخصیص به گونه‌ای طراحی شود که اطمینان حاصل شود که بیماران هر پیشنهاد کلیه را می‌پذیرند. Su و Zenios [34] یک مدل طراحی مکانیسم برای تخصیص اندام معرفی می کنند که انتخاب بیمار را در نظر می گیرد. بیماران پس از پیوستن به لیست انتظار پیوند کلیه (نه در زمان پیشنهاد کلیه اهداکننده) انواع کلیه (مثلاً کیفیت) را که مایل به دریافت آن هستند بیان می کنند و به صفی می پیوندند که نوع کلیه اعلام شده را ارائه می دهد. به این ترتیب، این مدل با شناسایی بیماران مناسبی که مایل به پذیرش موثر کلیه های اهدایی هستند، روند طولانی جستجو را کاهش می دهد.

انصاف و برابری موضوعات مهمی هستند برتسیماس و همکاران. [35] نابرابری های جغرافیایی در دسترسی به اهداکننده متوفی را مطالعه کنیدکلیه ها. آنها از یک تقریب سیال برای یک مدل صف استفاده می کنند تا راه بهینه را برای ثبت نام یک بیمار در لیست انتظار چندین مرکز پیوند فرموله کنند. هدف بیمار به حداکثر رساندن طول عمر و در عین حال به حداقل رساندن هزینه تراکم است. با ترکیب نتایج تحلیلی، شبیه‌سازی و عددی، آنها نشان می‌دهند که فهرست‌بندی چندگانه به میزان زیادی برابری جغرافیایی را ارتقا می‌دهد و اهداکننده را افزایش می‌دهد.کلیهعرضه. داشتن اهداکنندگان بیشتر منجر به نرخ پیوند بالاتر و کاهش میزان مرگ و میر بیماران در لیست انتظار می شود. چند مطالعه [36-38] مدل‌هایی را توسعه داده‌اند که یک جفت گیرنده اهداکننده ناسازگار را قادر می‌سازد تا از طریق تبادل با سایر جفت‌های اهداکننده-گیرنده ناسازگار، کلیه اهداکننده زنده را دریافت کند. در حالی که اکثر مدل‌های موجود با هدف به حداکثر رساندن تعداد کل مبادلات کلیه ممکن و رفاه اجتماعی هستند، آنها مؤلفه انصاف را به عنوان رضایت اهداکننده- گیرنده در نظر نمی‌گیرند. لی و همکاران [39] یک مدل برنامه‌ریزی تصادفی دو مرحله‌ای ارائه می‌کند که انصاف را در برنامه‌های تبادل کلیه اهداکننده زنده در نظر می‌گیرد. این مطالعه سناریوهای متعددی را برای بررسی تأثیر انصاف بر پیامدهای تبادل کلیه بررسی می‌کند. نتایج عددی بهبود در نتیجه برنامه تبادل اهداکنندگان زنده را هنگامی که انصاف در تطبیق جفت‌های ناسازگار در نظر گرفته شود، نشان می‌دهد. توجه داشته باشید که برخی از مطالعاتی که در اینجا مورد بحث قرار می‌گیرند، تأثیر انصاف را در پیوند کلیه زنده در نظر می‌گیرند. با این حال، ما فقط بر پیوند با استفاده از کلیه های اهداکننده متوفی تمرکز می کنیم.

شبیه سازی های ارائه شده در ادبیات از مفروضات قوی استفاده می کنند. برای مثال، Su و Zenios [33] فرض می کنند که بیماران باید هر پیشنهادی را بپذیرندکلیهیا در [34] بیماران نمی توانند کیفیت کلیه انتخابی اولیه خود را تغییر دهند. علاوه بر این، اکثر شبیه سازی ها معمولا بر روی یک متغیر متمرکز می شوند. به عنوان مثال، مطالعه توسط روث و همکاران. [40] بر طول لیست انتظار تمرکز می کند. این مطالعه یک مدل شبیه‌سازی برای فرآیند تخصیص عضو پیشنهاد می‌کند و نشان می‌دهد که تحت شرایط تخصیص عضو در سال 1985، طول لیست انتظار همچنان به رشد خود ادامه خواهد داد. مدل شبیه‌سازی که در این مقاله ارائه می‌کنیم، با در نظر گرفتن تأثیر تصمیم‌های بیمار، عرضه و تقاضا در مناطق مختلف، کارایی فرآیند تخصیص و اثر مورد انتظار سودمندی پس از پیوند، تصویر کامل‌تری ارائه می‌دهد.

بدنسازی سیستانچ

3. توضیحات مدل

در بخش‌های بعدی، اجزای اصلی هر دو مدل شبیه‌سازی و بهینه‌سازی را به تفصیل مورد بحث قرار می‌دهیم. مدل‌های شبیه‌سازی شامل بیمار (تقاضای عضو)، اهداکننده متوفی استکلیه هاورود (تامین عضو)، فرآیند ارائه متوالی کلیه اهداکننده متوفی برای یافتن آستانه کیفیت مطلوب کلیه، و سود مورد انتظار پس از پیوند برای یک بیمار با سطح سلامت مشخص. سپس از خروجی مدل شبیه‌سازی به عنوان ضرایب تابع هدف مدل بهینه‌سازی برای توصیه یک خط مشی فهرست‌بندی چندگانه استفاده می‌کنیم و مجموعه‌ای از مناطقی را پیشنهاد می‌کنیم که بیمار می‌تواند انتخاب کند.

3.1. مدل شبیه سازی

ما یک مدل شبیه‌سازی ایجاد می‌کنیم که به بیمار امکان می‌دهد بهینه را شناسایی کندکلیهآستانه کیفیتی که سودمندی او را پس از پیوند به حداکثر می رساند. پارامترهای مدل به عرضه و تقاضای منطقه بیماران بستگی دارد. ما آن را شبیه سازی می کنیمکلیهاستراتژی پذیرش و سود حاصله پس از پیوند مربوط به هر پیوند. شکل 3 فرآیند شبیه سازی را نشان می دهد. در بخش‌های بعدی به بررسی اجزای کلیدی می‌پردازیم.

3.1.1. تقاضای اندام

تقاضا توسط بیماران در لیست انتظار ارائه می شود. ما بیماران را به چند گروه از بیماران رقابتی تقسیم کردیم که بسته به گروه خونی و سایر معیارهای بالینی می توانند همان نوع اندام اهداکننده متوفی را دریافت کنند. هر گروه را جداگانه مدل می کنیم. ما تعامل بین گروه‌ها را در نظر خواهیم گرفت (به عنوان مثال، برخی از بیماران با گروه خونی AB ممکن است اندام‌هایی را از اهداکنندگان با هر گروه خونی دریافت کنند) با تنظیم عرضه عضو به گروه‌های فردی.

هر گروه بیمار رقابتی با یک صف مربوط به گروه خونی j که در آن j ∈ {A, B, AB, O} مدل‌سازی می‌شود. بیماران می توانند به صف منطبق بر اساس گروه خونی خود با نرخ λj بپیوندند و توسط اهداکنندگان سازگار خدمات دریافت کنند. سازگارکلیه هابا نرخ µi به صف گروه خونی j برسید. به عنوان مثال، برای صف گروه خونی A، سازگار استکلیه هااز انواع A و O هستند. بیماران از لیست انتظار j با نرخ پیوند ηi زمانی که (1) کلیه پیشنهادی را می پذیرند، یا (2) با نرخ θi برای پیوند خیلی بیمار می شوند یا در لیست انتظار می میرند، خارج می شوند. . ساختار مدل صف در شکل 4 نشان داده شده است.

پس از مطالعه در [34]، بیماران گروه خونی j طبق فرآیند پواسون با نرخ ورود λj برای پیوستن به لیست انتظار وارد می شوند. بیماران به لیست انتظار در مدل ملحق می‌شوند و وضعیت سلامت اولیه غیرقابل مشاهده h0 نشان‌دهنده زمان باقی‌مانده برای زنده ماندن در دیالیز هنگام پیوستن است. ما توزیع h0 را در جمعیت بیمار با استفاده از توزیع Weibull مدل می‌کنیم. توزیع Weibull اغلب در تجزیه و تحلیل بقا برای نشان دادن زمان تا شکست استفاده می شود زیرا می تواند نرخ شکست را بیان کند که در طول زمان در حال کاهش، ثابت یا افزایش است. سلامتی برای یک بیمار شبیه‌سازی‌شده، h0، سپس تحقق یک متغیر تصادفی H0 ~ Weibull(a, b) است، که در آن a و b به ترتیب پارامترهای مقیاس و شکل هستند. بیماران در صورتی که (1) پیوند دریافت کنند یا (2) به دلیل وضعیت نامناسب سلامتی (یا مرگ) صف را ترک کنند، از لیست انتظار خارج می شوند. از آنجایی که h0 زمانی است که بیمار در هنگام پیوستن به لیست انتظار می‌تواند در دیالیز زنده بماند (یعنی شاخص نشان می‌دهد که او تا کنون صفر سال صبر کرده است)، سلامت واقعی پس از سال انتظار hw است {{1{{{ 11}}}} h0 − w که به این معنی است که بیمار حداکثر زمانی که w=h0 لیست انتظار را ترک می‌کند.

3.1.2. تامین اعضای بدن

به دنبال [34]، اهداکننده متوفی سازگارکلیه هاطبق یک فرآیند پواسون همگن مستقل با نرخ ورود µj به صف گروه خونی j برسید. OPTN a را تعریف کردکلیهمعیار کیفیت به نام نمایه نمایه اهداکننده کلیه (KDPI) که ده عامل اهداکننده بالینی را برای رتبه بندی کلیه ها بر اساس تخمین بقای کلیه پس از پیوند ترکیب می کند [41]. KDPI ویژگی های اهدا کننده زیر را در نظر می گیرد: سن، قد، وزن، قومیت، اینکه اهدا کننده به دلیل از دست دادن عملکرد قلب یا از دست دادن عملکرد مغز فوت کرده است، سکته مغزی به عنوان علت مرگ، سابقه فشار خون بالا، سابقه دیابت، قرار گرفتن در معرض ویروس هپاتیت C، کراتینین سرم (معیار عملکرد کلیه). با ساخت، KDPI نزدیک به توزیع یکنواخت در کلیه کلیه های برداشت شده در یک سال معین است. به دنبال KDPI، ما کیفیت یک کلیه اهداکننده ورودی را که با q{3}} به عنوان تحقق متغیر تصادفی Q ~ Unif (0، 1) نشان داده شده است، مدل می‌کنیم. ما از 0 برای نشان دادن کمترین و 1 بالاترین کیفیت کلیه استفاده می کنیم، یعنی q0=1 - KDPI. هنگامی که یک کلیه اهداکننده جدید در شبیه سازی در دسترس می شود، کلیه به طور همزمان به گروهی از بیماران با یک بازه زمانی مشخص پیشنهاد می شود تا پیشنهاد را در نظر بگیرند و تصمیم پذیرش/رد را بگیرند. اگر هیچکس از گروه بیماران g نتواند کلیه را پس از زمان تعیین شده بپذیرد، کلیه به گروه بعدی بیماران g در لیست انتظار پیشنهاد می شود. روند تخصیص تا زمانی ادامه می یابد که عضو توسط بیمار پذیرفته شود یا دور انداخته شود (به دلیل جستجوی ناموفق یا قرار دادن اندام). برای کمبود کلیه اهداکننده فعلی، µj < λj="" داریم،="" یعنی="" کلیه‌ها="" با="" نرخ="" کمتری="" نسبت="" به="" بیماران="" جدید="" وارد="" می‌شوند.="" حذف="" بیمار="" به="" دلیل="" سلامتی="" یا="" مرگ،="" صف="" را="" در="" اندازه="" محدود="" نگه="" می="" دارد.="" لیست="" انتظار="" طولانی="" تر="" منجر="" به="" زمان="" انتظار="" طولانی="" تر="" و="" وخامت="" بیشتر="" سلامتی="" بیماران="" می="" شود.="" به="" نوبه="" خود،="" این="" باعث="" افزایش="" میزان="" حذف="" (بیمارانی="" که="" بدون="" دریافت="" پیوند="" خارج="" می="" شوند)="" می="" شود.="" طول="" صف="" در="" تعادلی="" تثبیت="" می="" شود="" که="" در="" آن="" نرخ="" پیوند="" به="" اضافه="" میزان="" حذف="" بیمار="" با="" نرخ="" ورود="" بیمار="" مطابقت="">

3.1.3. تصمیم پذیرش / رد کلیه

با گذشت زمان، به عنوان روند اهدا کنندهکلیهارائه ادامه می یابد، کلیه CIT را جمع می کند و کیفیت آن بدتر می شود. ما این زوال را به صورت qt {{0}} f(q0، δ، t) مدل می‌کنیم. در این معادله، t نشان دهنده CIT انباشته شده و q0 نشان دهنده کیفیت کلیه در زمان بهبودی است که t=0. متغیر δ یک عامل زوال کیفیت کلیه را نشان می دهد. ما نیاز داریم که تابع کیفیت f در δ و t کاهش یابد، به عنوان مثال، ∂ f(q0، δ, t)∂δ < 0="" و∂="" f="" (q0,δ,t)="" ∂t="">< 0.="" در="" مدل="" شبیه="" سازی،="" زمان="" را="" به="" صورت="" مضربی="" از="" زمان="" مجاز="" برای="" یک="" دور="" پیشنهادات="" اندازه="" گیری="" می="" کنیم.="" اگر="" بیماران="" یک="" ساعت="" فرصت="" تصمیم="" گیری="" داشته="" باشند،="" آنگاه="" t="" نشان="" دهنده="" شهر="" انباشته="" شده="" در="" ساعت="" است.="" ما="" تصمیم="" گیری="" توسط="" بیمار="" و="" پیوند="" متعاقب="" آن="" را="" در="" دو="" مرحله="" مدل="" می="" کنیم.="" ابتدا،="" بیمار="" از="" یک="" استراتژی="" آستانه="" برای="" تصمیم="" گیری="" در="" مورد="" پیشنهاد="" استفاده="" می="">کلیهقابل قبول است. بیمار پیشنهاد را می‌پذیرد اگر qt بیشتر یا مساوی k باشد، جایی که k آستانه کیفیت کلیه است که توسط بیمار و جراح تعیین می‌شود. برای کلیه های قابل قبول چندین فاکتور مرتبط با سلامت بیمار و مرکز پیوند را در نظر می گیریم. در مدل شبیه سازی، از احتمال انجام پیوند با توجه به ارائه کلیه قابل قبول استفاده می کنیم

که در آن p (عوامل بیمار) نشان دهنده وضعیت پزشکی خاص بیمار و هر واقعیتی است که بیمار یا جراح ممکن است بر خلاف آن تصمیم بگیرد.کلیهبه دلایلی که صرفاً با کیفیت کلیه توضیح داده نشده است (به عنوان مثال، بیمار به طور موقت در لیست انتظار غیرفعال است، نتیجه تطابق نامطلوب). احتمال p (عوامل مرکز) نشان دهنده آمادگی مرکز پیوند (به عنوان مثال، در دسترس بودن کارکنان، اتاق های عمل و غیره) و همچنین ملاحظات تأثیر پیوند بر ارزیابی عملکرد مرکز است. بیمار آستانه تصمیم خود را با مشورت جراح انتخاب می کند. چنین آستانه ای تحت تأثیر h0 سلامتی بیمار قرار خواهد گرفت زیرا بیماری که زمان بیشتری برای دیالیز باقی مانده است منتظر یک کلیه با کیفیت بهتر است. ما این رابطه را در شبیه‌سازی با انتخاب برای هر بیمار از یک متغیر تصادفی K ~ Unif(0,1) مدل می‌کنیم که با ضریب همبستگی رتبه اسپیرمن rH با بیمارش0 همبستگی دارد. 0، ک.

3.1.4. ابزار پس از پیوند بیمار

اگر بیمار اهدا کننده متوفی را بپذیردکلیهپیشنهاد و پیوند رخ می دهد، یک بیمار پس از پیوند سودمندی دریافت می کند. سودمندی پس از پیوند به کیفیت کلیه در زمان پیوند Qt و زمان انتظار بیمار w که منجر به وضعیت سلامتی hw=h0 − w می‌شود، بستگی دارد. ابزار پس از پیوند را می توان به دو جزء تقسیم کرد

که در آن B(·) نشان دهنده سود برای بیمار بسته به آن استکلیهکیفیت، و D(·) بدتر شدن وضعیت بیمار در لیست انتظار را به حساب می آورد. شکستن ابزار به این دو جزء مزایایی برای تخمین پارامترها از داده ها دارد. اگر بیمار کلیه با کیفیت Qt را بدون انتظار دریافت کند، عملکرد B(·) را می توان به عنوان منفعت بیمار در نظر گرفت. تابع سود باید برآورده شود که با h{{0}} و کیفیت کلیه افزایش می‌یابد، به عنوان مثال، ∂B(∂hh00، qt) > 0 و ∂ B(∂hq0t، qt) > 0. D(·) هزینه ای را به شکل یک عامل زوال ناشی از انتظار w برای کلیه نشان می دهد. تابع هزینه باید با افزایش و کاهش زمان انتظار با سلامت بیمار افزایش یابد، یعنی یک روش معمول برای تعریف توابعی مانند B(·) به شکل رگرسیون لجستیک برای بقا پیشنهاد شده توسط کاکس [42] است که شانس های شرطی را مدل می کند. مردن در هر نقطه زمانی با توجه به بقا تا آن نقطه به عنوان به

جایی که m(h{{0}}) نتیجه پیوند را برای بیمار با سطح سلامت h0 نشان می‌دهد که بلافاصله کلیه کامل (qt=1) دریافت کرده است (w {{3) }}). به طور طبیعی، m(h0) با سلامتی بیمار h0 افزایش می‌یابد. ما برای D(·) تابع from استفاده می کنیم

جایی که میزان زوال را کنترل می کند. وقتی زمان انتظار صفر است (w {{0}}) ضریب زوال برابر با یک (یعنی بدون خرابی) است. اگر بیمار منتظر یک کلیه با کیفیت بسیار بالا باشد و زمان تمام شود (یعنی w=h0)، ضریب زوال صفر می شود. فرم عملکردی انتخاب شده بسیار منعطف است و می تواند زوال خطی را بیان کند ({{ 4}})، کاهش سرعت زوال (> 1)، و افزایش زوال ( < 1).="" با="" تخمین="" پارامترها="" از="" داده="" ها="" و="" استفاده="" از="" بهینه="" سازی="" شبیه="" سازی،="" می="" توانیم="" برای="" هر="" بیمار="" بهینه="" را="" پیدا="">کلیهآستانه کیفیت k∗ که سودمندی پس از پیوند را به حداکثر می رساند.

3.2. انتخاب منطقه و مدل بهینه سازی فهرست چندگانه

یک بیمار می تواند شانس خود را برای دریافت پیوند با انتقال به یک منطقه دیگر (انتخاب منطقه) یا با ثبت نام در مراکز پیوند در مناطق مختلف افزایش دهد. برای کمک به بیمار در شناسایی مجموعه‌ای از مناطق برای ثبت نام چندگانه، از مدل شبیه‌سازی برای محاسبه پارامتر خط‌مشی آستانه بهینه k∗i و حداکثر سود مورد انتظاری که بیمار احتمالاً از پیوند در هر منطقه به دست می‌آورد، استفاده می‌کنیم. این با 11 مقدار ابزار Ui (k∗i، h0، w)، i ∈ 1، 2، نشان داده می شود. . . ، 11. برای سادگی، Ui(k∗i) را می نویسیم تا سود مورد انتظار پس از پیوند را برای یک بیمار با h0 و w نشان دهد. اکنون انتخاب منطقه با انتخاب منطقه ای با بیشترین کاربرد انجام می شود.

برای فهرست‌بندی چندگانه، عمل ثبت نام در منطقه i را با متغیر تصمیم باینری نشان می‌دهیم

بیمار دارای 11 متغیر تصمیم گیری است، یکی برای هر منطقه. ما فرض می کنیم که بیمار می خواهد شانس خود را با لیست کردن بهترین مناطق با بالاترین سود مورد انتظار با توجه به مجموعه ای از محدودیت ها افزایش دهد. این را می توان به عنوان مسئله بهینه سازی زیر فرمول بندی کرد.

با جمع‌بندی ابزار منطقه اطمینان حاصل می‌شود که مناطقی که بیشترین خدمات شهری را دارند در راه‌حل گنجانده شده‌اند. اولین محدودیت اطمینان می دهد که راه حل کل بودجه C بیمار معین را برآورده می کند. محدودیت دوم حداکثر مسافتی را که بیمار می تواند طی کند تا به موقع به مرکز پیوند برسد را در نظر می گیرد. محدودیت سوم انتظارات بیمار را در مورد عملکرد منطقه P در نظر می گیرد و در نهایت، آخرین محدودیت ریتو را محدود می کند 0 یا 1. از آنجایی که تعداد مناطق کوچک است، تنها با 11، این مشکل را می توان با شمارش حل کرد.

4. کاربردها و نتایج عددی

این بخش را با تخمین پارامترهای مورد نیاز برای مدل شبیه سازی شروع می کنیم و سپس نحوه استفاده از مدل را برای دو کاربرد ارائه می دهیم. اولین کاربرد نشان می‌دهد که چگونه این مدل می‌تواند یک دستورالعمل استراتژیک برای حمایت از انتخاب بیمار برای انتقال به منطقه‌ای دیگر یا ثبت نام در چندین منطقه ارائه دهد.

برنامه دوم، مزایای بالقوه استفاده از فناوری به اشتراک گذاری اطلاعات مدرن (به عنوان مثال، از طریق برنامه های تلفن هوشمند) را برای بهبود رفاه اجتماعی از طریق افزایش سودمندی بیماران پس از پیوند تجزیه و تحلیل می کند.کلیهنرخ بهره برداری

بدنسازی سیستانچ

4.1. تخمین پارامترها

ما از داده های UNOS و SRTR برای تخمین پارامترهای مدل استفاده می کنیم. ما UNOSdata را برای سال 2019 استخراج می کنیم تا لیست انتظار و اهداکننده را تخمین بزنیمکلیهعرضه. برای محاسبه زمان انتظار، از مقادیر گزارش شده توسط SRTR استفاده می کنیم. سیستم داده SRTR حاوی اطلاعات دقیق پزشکی و جمعیتی برای همه اهداکنندگان، بیماران در لیست انتظار و گیرندگان پیوند در ایالات متحده است. مجموعه داده مورد استفاده شامل بیش از 400،000 بیمار است که برای اولین بار پیوند کلیه اهداکننده متوفی را بین اکتبر 1987 تا پایان سال 2019 دریافت کردند.

گزارش‌های سالانه SRTR و UNOS اطلاعاتی را در مورد ورود اعضای بدن و فعالیت‌های لیست انتظار (به عنوان مثال، آمار اضافه و برداشتن بیمار) ارائه می‌کند. ما از این داده ها برای تخمین λj و μjin برای هر دوره استفاده می کنیم.

یک عامل مهم برای تخمین میزان رسیدن کلیه به صف گروه خونی j، سازگاری گروه خونی بین بیماران و اهداکنندگان است. بر اساس معیارهای سازگاری گروه خونی، اهداکنندگان با گروه خونی O اهداکنندگان جهانی هستند که اعضای کلیه آنها می تواند به بیماران با هر گروه خونی ارائه شود. از سوی دیگر، اهداکنندگان دارای گروه خونی AB می‌توانند کلیه‌های خود را تنها به بیماران گروه خونی AB اهدا کنند در حالی که دریافت‌کنندگان جهانی از همه گروه‌های خونی هستند. جدول 4 سازگاری گروه خونی پیوند کلیه را به تفصیل نشان می دهد. این مقاله فقط نتایج مربوط به گروه خونی A را گزارش می‌کند. نتایج برای سایر گروه‌های خونی نیز می‌تواند به طور مشابه به دست آید. جدول 5 اهداکنندگان و ورود بیماران را برای گروه خونی A نشان می دهد.

بر اساس داده‌های SRTR گروه خونی A بیماران به‌ترتیب 94 درصد و 6 درصد از اعضای بدن را از اهداکنندگان گروه‌های خونی A و O دریافت می‌کنند که درکلیهپارامتر عرضه µj در جدول 5. به دنبال طرح پیشنهادی فعلی که توسط OPTN در ایالات متحده استفاده می‌شود، ما از اندازه گروه بیمار g=5 در مدل شبیه‌سازی خود استفاده می‌کنیم. با توجه به گزارش‌هایی که نشان می‌دهد اندام‌ها پس از 48 ساعت CIT به ندرت استفاده می‌شوند، نرخ تخریب کلیه δ را روی 5 درصد تنظیم می‌کنیم [6]. در δ=0.05، کیفیت کلیه به (1 - 0.05) {{10}} بدتر می‌شود. درصد کیفیت اولیه آن پس از 48 ساعت. بر اساس بحث با یک همکار پزشکی، ما از یک احتمال پیوند p(transplant)=0.8 برای همه مناطق استفاده می‌کنیم. احتمال هر منطقه را نیز می توان از روی داده ها تخمین زد، اما اطلاعاتی در مورد رد پیشنهادات کلیه در حال حاضر در دسترس ما نیست. پارامترها، و برای تابع سود B(h0، qt) و ضریب هزینه C(h{{30}}، w) را می‌توان تخمین زد در صورتی که داده‌های نتیجه شامل پست باشد. بقای پیوند در دسترس است. با این حال، از آنجایی که مجموعه داده ما شامل این داده ها نمی شود، از=0.4،=8 و=0.5 در شبیه سازی خود استفاده می کنیم. ما بیماران را با یک h0 سلامتی که از متغیر تصادفی H0 با توزیع Weibull گرفته شده است به لیست انتظار اضافه می کنیم. ما از پارامتر مقیاس a=8 و پارامتر شکل b=2 برای بدست آوردن میانگین سلامت نزدیک به 7 سال و حدود 90 درصد جمعیت زیر 12 سال استفاده می کنیم. ما از همبستگی رتبه اسپیرمن ρ(H0, K) 0.2 استفاده می کنیم که نزدیک به همبستگی بین کیفیت پذیرفته شده کلیه و سلامت بیمار مشاهده شده در داده ها است.

4.2. انتخاب منطقه و فهرست چندگانه

برای نشان دادن رویکرد انتخاب منطقه، نتایج را برای یک بیمار هدف با گروه خونی A، یک سال زندگی تحت دیالیز (h0=1) که در حال حاضر در موقعیت 1 قرار دارد گزارش می‌کنیم00 از لیست انتظار ما لیست انتظار را با بیمارانی که به‌طور تصادفی تولید می‌شوند (که سلامت آنها از توزیع Weibull با آستانه سیاست همبسته استخراج می‌شود) انجام می‌دهیم. ما برای مقادیر آستانه تصمیم گیری k ∈ {0, 0.1, 0.2, · · ·, 0.9} هر بار یک00 بار یکسان انجام می دهیم و نتایج 100 اجرا را میانگین می کنیم تا مطلوبیت مورد انتظار را برآورد کنیم. برای هر آستانه

جدول 6 نتایج را برای آستانه بهینه، k∗i گزارش می‌کند که منجر به بزرگترین کاربرد مورد انتظار پس از پیوند، Ui(k∗i) برای هر منطقه می‌شود. راکلیهنرخ ورود به صف (بیماران در لیست انتظار گروه خونی A) در سال μA و qt میانگین کیفیت کلیه پیوندی است. به عنوان مثال، اگر بیمار هدف در منطقه 6 ثبت نام کرده باشد، آستانه k=0.65 بهینه است، که منجر به سودمندی 9.6 سال می شود. در مقابل، اگر او در منطقه 2 ثبت نام کند، تصمیم بهینه می تواند تا 85/0 0 با سودمندی 22/13 سال باشد.

جدول 7 داده های تخمینی را نشان می دهد که ما در مدل بهینه سازی خود برای یافتن مجموعه ای از مناطق امکان پذیر برای یک بیمار گروه خونی A که فرض می شود در حال حاضر زندگی می کند و در منطقه 6 ثبت نام کرده ایم، استفاده می کنیم. ما از مجموعه داده UNOS برای تخمین زمان انتظار مورد انتظار استفاده می کنیم و { {2}}نرخ بقای سالی برای چنین بیمارانی در تمام 11 منطقه. در هر منطقه، یک شهر اصلی را انتخاب می کنیم و هزینه زندگی ماهانه مربوط به آن را با استفاده از شاخص هزینه زندگی شهر برآورد می کنیم. هزینه ارزیابی به عنوان حاصلضرب کل تعداد ارزیابی‌های مورد انتظار تا زمانی تعریف می‌شودکلیهپیوند و هزینه هر ارزیابی تعداد مورد انتظار ارزیابی ها بر اساس یک 6-خط مشی ارزیابی مجدد ماهانه که توسط اکثر مراکز پیوند اجباری شده است، تخمین زده می شود. به طور کلی، اگر بیمار بخواهد در بیش از یک منطقه ثبت نام کند، مسئول پرداخت هزینه ارزیابی دوره ای است، زیرا اکثر بیمه نامه ها هزینه ارزیابی دوره ای تنها یک ثبت نام را پوشش می دهند. کل هزینه به صورت زیر محاسبه می شود: کل مبلغی که بیمار باید بپردازد (تعداد ارزیابی ها ضربدر هزینه ارزیابی) به اضافه هزینه سفر به منطقه دیگر و اقامت در منطقه دیگر به مدت سه روز.

به عنوان مثال، در اینجا فرض می کنیم که بیمار بودجه ای معادل C=15 دلار،000 دارد. او همچنین می‌تواند تا مسافت D=1500 مایل سفر کند و حداقل انتظار او از عملکرد یک منطقه 75 درصد بقای پنج ساله است. با هدف به حداکثر رساندن نتیجه پس از پیوند تحت این سه محدودیت، مدل ما دریافته است که علاوه بر منطقه خانه 6، بیمار می تواند در مناطق 5، 4، یا 8 نیز ثبت نام کند، که منطقه 5 بالاترین سود مورد انتظار را ارائه می دهد. OPTN متعهد به ارائه عدالت در دسترسی به پیوندها و کاهش نابرابری های جغرافیایی است [16]. تحت فهرست‌بندی چندگانه رایگان، بیماران با توجه به محدودیت‌های بودجه‌شان، انگیزه‌ای دارند تا در مناطقی که می‌توانند ثبت‌نام کنند. این بدان معنی است که دسترسی به پیوند تحت تأثیر منابع مالی بیمار است که ممکن است از نظر عدالت و انصاف مشکل ایجاد کند. با این حال، در دراز مدت، انتخاب منطقه آزاد و فهرست‌بندی‌های متعدد می‌تواند تفاوت‌های جغرافیایی را کاهش دهد. بیماران بیشتری در مناطقی ثبت نام می‌کنند که در حال حاضر خدمات بالاتری ارائه می‌دهند، نابرابری‌های تقاضا را کاهش می‌دهند و شکاف خدمات را کاهش می‌دهند. در آن مرحله، مزیت داشتن بودجه بیشتر برای ثبت نام در چندین منطقه کاهش می یابد و منجر به وضعیت عادلانه تری می شود. در کوتاه مدت، عدالت باید به طور موقت توسط سیاست های مناسب تضمین شود تا فهرست های متعدد در دسترس بیماران بیشتری قرار گیرد.

4.3. تأثیر اشتراک گذاری اطلاعات بر کارایی تخصیص

یکی از ابتکارات در برنامه استراتژیک OPTN (2018-2021) [16] با هدف افزایش تعداد پیوندها، دنبال کردن ابزارهای سیستمی برای تطابق مؤثرتر اهداکننده/گیرنده است. چنین ابزارهایی شامل ابزارهایی برای به اشتراک گذاری اطلاعات است، به این معنی که مرکز پیوند و بیمار اطلاعات به روز را با OPTN به اشتراک می گذارند، که پتانسیل افزایش سرعت را دارد.کلیهفرآیند تخصیص و در نتیجه کاهش زمان ایسکمی سرد (CIT) و میزان دفع کلیه.

اطلاعاتی که می توان به اشتراک گذاشت شامل:

1. آستانه پذیرش بیمار k: هر بیمار او را گزارش می دهدکلیهآستانه پذیرش کیفیت k توسط خودش و پزشکش تعیین شده است.

2. هرگونه معیار تصمیم گیری اضافی که توسط بیمار استفاده می شود: تصمیمات بیمار و جراح می تواند تحت تأثیر اطلاعاتی قرار گیرد که در آن گنجانده نشده است.کلیهارزیابی کیفیت (KDPI). داشتن پارامترهای کیفیت استانداردتر، که در آن بیمار می تواند آنچه را که می پذیرد از قبل مشخص کند، بهبود می یابدکلیهتخصیص تحت اطلاعات کامل، OPTN می تواند بلافاصله بیمارانی را که کلیه را می پذیرند شناسایی کند و CIT ارزشمند را ذخیره کند.

3. در دسترس بودن فعلی بیمار: نشانه ای به روز از اینکه آیا بیمار در حال حاضر می تواند پیوند دریافت کند یا خیر. عوامل شامل سلامت فعلی و مسافرت است.

4. در دسترس بودن مرکز پیوند: در دسترس بودن مرکز پیوند را در نظر می گیرد- امکاناتی مانند اتاق های عمل آماده، جراحان، پرستاران و کارکنان برای انجام به موقع عمل جراحی وجود دارد.

تحت اطلاعات کامل، OPTN به اطلاعات به روز در مورد آستانه پذیرش کلیه بیماران k، هرگونه نیاز اضافی برای ارگان و در صورت در دسترس بودن بیمار و مرکز دسترسی خواهد داشت. بنابراین، OPTN می تواند مستقیماً اولین بیمار در لیست انتظار را که پیوند را می پذیرد و دریافت می کند، شناسایی کند. این به طور موثر CIT، یعنی t را به حداقل مورد نیاز برای استخراج عضو و انجام پیوند کاهش می دهد. در مدل شبیه‌سازی، اطلاعات کامل را می‌توان با تنظیم g به طول لیست انتظار بیان کرد، که نشان می‌دهد کل لیست انتظار به‌طور آنی برای بیمار منطبق جستجو می‌شود. فرض اینکه اطلاعات کامل به دلایل زیادی غیر واقعی است. به عنوان مثال، مسائل فنی ممکن است بر در دسترس بودن اطلاعات تأثیر بگذارد و بیماران یا مراکز ممکن است تمام اطلاعات را دائماً به روز نگه ندارند. تنظیمات واقعی‌تر بهبود یافته است، اما همچنان اشتراک‌گذاری اطلاعات ناقص است. اطلاعات بیشتر به این معنی است که با استفاده از اطلاعات به اشتراک گذاشته شده می توان بیماران را سریعتر شناسایی کرد. ما این واقعیت را در مدل شبیه‌سازی با افزایش تعداد بیمارانی که می‌توان در ساعت جستجو کرد (یعنی افزایش در g) بیان می‌کنیم.

برای نشان دادن تأثیر بهبود اشتراک‌گذاری اطلاعات، ما نتایج را برای بیماران گروه خونی A در منطقه 6 گزارش می‌کنیم. فهرست انتظار را با 1000 بیمار راه‌اندازی می‌کنیم و شبیه‌سازی را تا زمانی که طول لیست انتظار حدود 1800 بیمار (200 ماه) تثبیت شود، اجرا می‌کنیم. ما نتایج را پس از این دوره گرم کردن به طور متوسط ​​بیش از 300 ماه گزارش می کنیم. خط مبنا اندازه گروه استفاده شده در حال حاضر g=5 است. ما g را برای نشان دادن سطوح مختلف اشتراک اطلاعات تغییر می دهیم.

جدول 8 تأثیر اشتراک گذاری اطلاعات را نشان می دهد که نشان می دهد چند بیمار در لیست انتظار می توانند به طور مؤثر در هر ساعت در نظر گرفته شوند. در اندازه گروه پایه پنج نفری، متوسط ​​کیفیت کلیه پذیرفته شده 0.66 است که به میانگین سودمندی 10.76 سال برای هر بیمار پیوند شده منجر می‌شود. کلیه می تواند تا 45 بیمار در لیست انتظار سفر کند و به طور متوسط ​​توسط بیمار ششم پذیرفته می شود. جدول 9 میزان استفاده از کلیه و میزان مرگ و میر در لیست انتظار را به اضافه نرخ پیوند نشان می دهد. با افزایش گرم، میزان استفاده از کلیه به طور قابل توجهی افزایش می یابد.

همانطور که شکل 5 نشان می دهد، بهبود درکلیهنرخ پیوند 17 درصد برای دوبرابر کردن سرعت فرآیند ارائه g=10 است و زمانی که اطلاعات کامل در دسترس باشد به 47 درصد می‌رسد. از سوی دیگر، نرخ مرگ و میر در لیست انتظار با g=10 7 درصد کاهش می‌یابد و کاهش می‌تواند تا 21 درصد باشد. شبیه سازی اثری را که به اشتراک گذاری اطلاعات می تواند در فرآیند تخصیص به ارمغان بیاورد را بر کارایی نشان می دهد.

اشتراک گذاری اطلاعات را می توان به روش های مختلفی با استفاده از فناوری فعلی پیاده سازی کرد. به عنوان مثال می توان به استفاده از برنامه ها و دستگاه های پوشیدنی پزشکی برای ردیابی در دسترس بودن بیمار نزدیک به زمان واقعی اشاره کرد. رابط های استاندارد شده بین سیستم اطلاعاتی مراکز پیوند و OPTN را می توان برای مدیریت در دسترس بودن مرکز استفاده کرد. راه اندازی این فناوری ها زمان بر است، اما نتایج ارائه شده در این مطالعه شبیه سازی نشان می دهد که بازده بالقوه با پتانسیل کاهش قابل توجه است.کلیهنرخ را به حداقل برسانید.

5. نکات پایانی

اولین مشارکت این تحقیق توسعه یک مدل شبیه‌سازی است که اهداکننده‌ای بهینه را فراهم می‌کندکلیهراهنمایی پذیرش برای تصمیم گیرندگان (بیماران و جراحان). چالش اصلی مدل‌سازی پذیرش/رد عضو، ترکیب شرایط و موقعیت‌های دنیای واقعی برای اتخاذ یک تصمیم حیاتی نجات‌بخش است. به همین دلیل، هدف اولیه ما به عنوان تازگی اصلی این کار، شناخت، تجمیع و پیاده سازی عناصر ضروری مختلف است که به معیارهای انتخاب کلیه کمک می کنند. مدل پیشنهادی امکان تنوع در سلامت بیماران وکلیهکیفیت و همچنین همبستگی آنها. علاوه بر این، با ادامه روند تخصیص، بدتر شدن کیفیت کلیه ها ناشی از انباشت CIT را شامل می شود. علاوه بر تمام عناصر ذکر شده، ما همچنین سلامت و در دسترس بودن بیمار را همراه با منابع انسانی و امکانات برای پیشنهاد یک راه حل بهینه پیوند ترکیب می کنیم.

مدل پیشنهادی می تواند برای بررسی اینکه چگونه انتخاب های مختلف سیاست می تواند بر اهداف استراتژیک بیان شده توسط OTPN [16] تاثیر بگذارد استفاده شود. ما این را با دو برنامه نشان دادیم. اول، ما نشان دادیم که چگونه می‌توان این مدل را برای اطلاع‌رسانی به تصمیم‌گیری‌های بیماران در رابطه با محدودیت‌های هزینه، مسافت و کیفیت مراقبت چندگانه به کار برد. در حالی که فهرست‌بندی چندگانه در کوتاه‌مدت می‌تواند برای برابری بین بیماران بر اساس منابع مالی چالش‌هایی ایجاد کند، اما این پتانسیل را دارد که تفاوت‌های جغرافیایی در دسترسی به پیوندها را برطرف کند و در نتیجه برابری را افزایش دهد.

تصویر دوم توجه را به جنبه رفاه اجتماعی جلب می کندکلیهپیوند به جای تمرکز بر یافتن راه حل بهینه همانطور که در برنامه اول در نظر گرفته شد. ما نتایج رفاه اجتماعی (به عنوان مثال، استفاده از کلیه اهداکنندگان و کاربرد سیستم پس از پیوند) را برای چندین سطح از اطلاعات موجود، از عدم اطلاعات تا اطلاعات کامل، مقایسه می‌کنیم. افزایش اطلاعات منجر به تخصیص سریعتر کلیه و کاهش میزان دفع کلیه می شود. افزایش نرخ پیوند باعث بهبود مطلوبیت رفاه اجتماعی و کاهش طول پیوند می شودکلیهلیست انتظار پیوند، زمان و میزان مرگ و میر سیاست گذاران می توانند از این نتایج برای برانگیختن ارزش فناوری اطلاعات مدرن برای جمع آوری اطلاعات مورد نیاز و نشان دادن اهمیت طراحی ساختارهای تشویقی که به اشتراک گذاری به موقع اطلاعات توسط بیماران و مراکز را تشویق می کند، استفاده کنند. به عنوان مثال، طراحی اپلیکیشن پیوند عضو برای یک دستگاه تلفن هوشمند می‌تواند راهی ایمن، آسان و سریع برای ارسال و به‌روزرسانی اطلاعات مورد نیاز به موقع ارائه دهد. سیاستگذار ممکن است بخواهد یک قانون اساسی ایجاد کند که همه بیماران و مراکز پیوند برای دریافت پیشنهادات باید از آن پیروی کنند. به عنوان مثال، با استفاده از فناوری و خدمات برنامه اجباری، مراکز پیوند می توانند داده های ارسالی خود را به طور منظم (مثلاً هر روز) پس از عبور از یک آستانه معین در لیست انتظار، بازبینی یا تأیید کنند. مدل پیشنهادی به اندازه کافی ساده و انعطاف پذیر است که به راحتی برای بررسی بسیاری از جنبه های دیگر فرآیند انتساب کلیه سازگار است.

Autهوr Cبرtributiبرs:نویسندگان به طور مساوی به این کار کمک کردند. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند

سرمایهing:این تحقیق هیچ بودجه خارجی دریافت نکرد.

Institutiبرal Rاینiew بوard Statement:قابل اجرا نیست.

Informویرایش Cدرent Statement:قابل اجرا نیست.

Data Aواilability Statement:مجموعه داده های مورد استفاده در این تحلیل را می توان از طریق UNOS به دست آورد.

Conflicts of Interest:نویسندگان هیچ تضاد منافعی را اعلام نمی کنند.

بدنسازی سیستانچ

Referانس ها

1. دانشگاه کالیفرنیا سانفرانسیسکو. راکلیهپروژه-ایجاد یک بیو مصنوعیکلیهبه عنوان یک راه حل دائمی برای نارسایی کلیه در دسترس آنلاین: (در 4 آوریل 2020 قابل دسترسی است).

2. ملیکلیهپایه. آمار اهدای عضو و پیوند. 2016. موجود آنلاین: (در 16 آوریل 2020 قابل دسترسی است).

3. مناطق UNOS: منابع منطقه ای پیوند اعضا. در دسترس آنلاین: (در 20 مارس 2020 قابل دسترسی است).

4. OPTN. سیاست ها از 6 دسامبر 2020 قابل اجرا است [Ex Comm 9.9.A.]. در دسترس آنلاین: (در 2 ژانویه 2021 قابل دسترسی است).

5. وی، ا. سالکوفسکی، ن. Kasiske، BL; اسرانی، ع.ک. اسنایدر، جی جی تأثیرکلیهرفتار پذیرش را بر روی معیارهای کارایی تخصیص ارائه دهید. کلین پیوند. 2017, 31, e13057.

6. کویزومی، ن. داس گوپتا، دی. پاتل، AV; اسمیت، تی. مایر، جی دی. Calender, C.; Melancon، JK تنوع جغرافیایی در زمان ایسکمی سرد:کلیهدر مقابل پیوند کبد در ایالات متحده، 2003 تا 2011. پیوند. مستقیم2015, 1, e27.

7. Howard, DH چرا جراحان پیوند اعضا را رد می کنند؟: مدلی از تصمیم پذیرش/رد. جی. اقتصاد سلامت. 2002، 21، 957-969.

8. لاوسون، سی. جانسون، دی. کلاپر، دی. فاولر، ک. کاپور، اس. کاهشکلیهنرخ رد کردن. اخبار کلیه. 2017. موجود آنلاین: (در 22 فوریه 2020 قابل دسترسی است).

9. ژانگ، جی. صدای سکوت: یادگیری مشاهده ای در ایالات متحدهکلیهبازار. علامت گذاری. علمی 2010، 29، 315-335.

10. Schold, JD; بوچینی، ال. سرینیواس، تی. سرینیواس، آر. پوجیو، ای. فلشنر، اس. سوریا، سی. سگف، دی. فانگ، ج. گلدفارب، دی. انجمن ارزیابی عملکرد مرکز وکلیهحجم پیوند در ایالات متحده صبح. J. پیوند. 2013، 13، 67-75.

11. Schold, J. بوچینی، ال. پوجیو، ای. فلشنر، اس. Goldfarb، D. انجمن حذف نامزدها ازکلیهلیست انتظار پیوند و نظارت بر عملکرد مرکز. صبح. J. پیوند. خاموش مربا. Soc. پیوند. صبح. Soc. Transpl. سرگ. 2016، 16، 1276-1284.

12. بائه، س. Massie, AB; لو، ایکس. انجم، س. دسای، NM; Segev، DL تغییرات در میزان دفع پس از معرفی شاخص نمایه اهداکننده کلیه (KDPI). صبح. J. پیوند. 2016، 16، 2202-2207.

13. Schold, JD; بوچینی، LD; گلدفارب، دی. Flechner, SM; Poggio، ED; سهگل، انجمن AR بینکلیهعملکرد مرکز پیوند و مزایای بقای پیوند در مقابل دیالیز کلین مربا. Soc. نفرول. 2014، 9، 1773-1780.

14. هالر، ام سی; کاینز، آ. بائر، اچ. Oberbauer, R. دیالیز پرنعمت و نتایج پس ازکلیهپیوند: یک مطالعه کوهورت گذشته نگر کلین مربا. Soc. نفرول. 2016، 12، 122-130.

15. UNOS. صحبت در مورد پیوند - سؤال متداول در مورد فهرست بندی چندگانه و انتقال زمان انتظار. 2017. موجود آنلاین: (در 13 ژوئن 2020 قابل دسترسی است).

16. OPTN. برنامه استراتژیک OPTN/UNOS 2018-2021. در دسترس آنلاین: (در 12 آوریل 2020 قابل دسترسی است).

17. Chakkera، HA; چرتو، جنرال موتورز; O'Hare, AM; Amend، WJ; گونوا، TA تنوع منطقه ای درکلیهنتایج پیوند: روند در طول زمان کلین مربا. Soc. نفرول. 2009، 4، 152-159.

18. اردکانی، ام اس; Orlowski, JM Multiple listing درکلیهپیوند. صبح. جی.کلیهدیس 2010، 55، 717-725.

19. UNOS. فهرست چندگانه. در دسترس آنلاین: (در 1 دسامبر 2018 قابل دسترسی است).

20. غریبی، ز. آیواچی، MU; هاسلر، ام. جیاکوما، تی. گاستون، آر اس؛ Tanriover، B. مقرون به صرفه بودن درمان القایی مبتنی بر آنتی بادی در اهداکننده متوفیکلیهپیوند در ایالات متحده پیوند 2017، 101، 1234.