Hatem Ali iz Sveučilišnih bolnica Coventry i Warwickshire u Ujedinjenom Kraljevstvu i njegovi suradnici analizirali su podatke iz registra transplantacija U.K. i uključili 29.713 slučajeva transplantacije između 2008. i 2022., kako bi procijenili prediktivnu izvedbu XGBoosta, Random Survival Forest i Optimal Decision Modela, stabla strojnog učenja.

Istraživači su otkrili da je XGBoost pokazao iznimne performanse, s najvišim indeksom podudarnosti (0,74) i površinom ispod krivulje stalno iznad 0,73. U usporedbi s tradicionalnim Indeksom rizika darivatelja bubrega, koji je postigao indeks podudarnosti od 0,57, UK-DTOP model je pokazao značajno poboljšanje. Procjene kalibracije korištenjem Integrated Brier Score dodatno su istaknule napredne mogućnosti modela XGBoost i pokazao ocjenu od 0,14, što ukazuje na precizna predviđanja vjerojatnosti preživljavanja. Identificirano je pet različitih klastera na temelju karakteristika donora i transplantata korištenjem nenadziranog učenja putem k-means klasteriranja; značajne varijacije ishoda preživljenja potvrđene su u klasterima u daljnjoj analizi korištenjem Bayesove Coxove regresijske analize.