Fecha de publicación:
19 de marzo de 2024
Tiempo de lectura:
03:30 MIN
En este estudio retrospectivo en Brasil, en el que los pacientes se sometieron a trasplante de riñón, se ajustó un modelo de machine learning (ML) con gran exactitud y precisión para predecir el rechazo del injerto a los 30 días después del trasplante de riñón, lo que sugiere el potencial de los modelos de ML en la predicción de la supervivencia renal después del trasplante utilizando enfoques no tradicionales.
Conclusiones
- El estudio utilizó un modelo predictivo de ML para analizar el rechazo del injerto en los 30 días posteriores a la cirugía en receptores de trasplante de riñón de donantes vivos y fallecidos, destacó que:
- Se identificó el modelo XGBoost para lograr la predicción del rechazo del injerto con una exactitud de 0,839, con el área bajo la curva característica de funcionamiento del receptor (ABC del ROC) de 0,715 y una precisión de 0,900.
- Los factores de riesgo de rechazo del injerto con una importancia >20 % incluyeron, trasplante de donante fallecido, glomerulopatía como enfermedad subyacente y uso de fármacos vasoactivos por parte del donante.
- Las variables con los valores predictivos más altos fueron la inducción de globulina antitimocítica (conejo) y la función retardada del injerto (FRI).
- Las principales variables relacionadas con el rechazo a los 30 días fueron la edad del receptor, la edad del donante, el tratamiento de inducción, el año del trasplante y la relación entre la edad del receptor y la edad del donante; (P <0,001 para todos).
- El estudio presentó un modelo de ML para predecir el rechazo del injerto a los 30 días después del trasplante de riñón, logrando una mayor exactitud y precisión.
Por qué es importante
- A pesar de los avances en las técnicas de trasplante, la predicción precisa de la supervivencia del injerto después del trasplante renal sigue siendo difícil.
- Las nuevas técnicas de análisis de datos pueden aumentar la eficiencia, lo que podría mejorar las intervenciones y las decisiones terapéuticas.
- Las técnicas de aprendizaje automático ofrecen el potencial de mejorar la predicción de los resultados del aloinjerto renal mediante el análisis de variables complejas.
- Este estudio pretendía desarrollar un modelo predictivo para el rechazo del injerto en los 30 días posteriores a la cirugía utilizando técnicas de ML, utilizando datos previos y posteriores al trasplante en receptores de trasplantes renales de donantes vivos y fallecidos.
Diseño del estudio
- Se trataba de un estudio retrospectivo realizado en 1255 pacientes sometidos a trasplante renal de donantes vivos y fallecidos en un servicio sanitario terciario de Brasil entre enero de 2010 y septiembre de 2020.
- Variables estudiadas (en relación con el trasplante de riñón): factores del receptor*, factores del donante†y factores de trasplante y de postoperatorios inmediatos. ‡
- Resultados evaluados: Rechazo del injerto (tanto clínico como probado mediante biopsia) en los 30 días siguientes al trasplante de riñón.
- Modelo predictivo:
- Paso de preprocesamiento: En el conjunto de entrenamiento, se realizó la estandarización de las variables continuas, la transformación de Box-Cox, la eliminación de variables con varianza cero o casi cero y el ajuste del desequilibrio de clase mediante la técnica de sobremuestreo de minorías sintéticas.
- Selección de características: El algoritmo de Boruta identificó los factores de predicción más importantes.
- Formación del modelo: Los datos se dividieron en derivación (capacitación: 80 %) y validación (prueba: 20 %) para crear conjuntos de datos mediante división aleatoria (se seleccionaron parámetros de hipermodelo con remuestreo de bootstrap).
- Desarrollo de algoritmos de ML: Uso de cinco algoritmos de ML supervisados (regresión logística simple, Lasso, Perceptron multicapa, XGBoost y Light GBM) con el subconjunto de variables en el conjunto de entrenamiento.
- Evaluación de la exactitud: Uso del AUC ROC para evaluar el rendimiento del modelo en los conjuntos de entrenamiento y pruebas.
Resultados clave
- De los 1177 casos de trasplante renal analizados§, 147 (12,48 %) fueron rechazo de injerto renal y 1030 no fueron rechazos (87,52 %).
- Variables significativas asociadas al fracaso del injerto a los 30 días (análisis univariante): Edad del receptor, donante vivo/muerto, tipo de tratamiento de inducción, tipo de inmunización inicial elegida, año del trasplante, relación entre la edad del receptor y la edad del donante (P <0,001 para todos); superficie corporal del donante (P = 0,025); sodio sérico final del donante (P = 0,013); uso de fármaco vasoactivo por parte del donante (P = 0,006); discrepancia (P = 0,014); DGF (P = 0,04).
- Entre los modelos de ML para predecir el rechazo del injerto, XGBoost demostró una alta precisión y exactitud.
Métricas |
Precisión |
ABC de ROC |
Precisión |
Recuerdo |
XGBoost |
0.839 |
0.715 |
0.900 |
0.917 |
Lasso |
0.631 |
0.655 |
0.922 |
0.631 |
Perceptron multicapa |
0.644 |
0.664 |
0.930 |
0.641 |
GBM ligero |
0.843 |
0.613 |
0.897 |
0.927 |
- Variables con los valores predictivos más altos: Inducción de globulina antitimocítica (conejo) (protectora contra el rechazo a los 30 días) y DGF (el segundo factor más influyente que contribuye a la pérdida del injerto)
- Otros factores de riesgo importantes que influyen en el rechazo del injerto (en orden descendente de importancia): Donante fallecido, glomerulopatía como enfermedad subyacente, enfermedad subyacente indeterminada, uso de fármacos vasoactivos por parte del donante y la relación entre la edad del receptor y la edad del donante, discrepancia, tiempo total de anastomosis, superficie corporal del donante, superficie corporal del receptor, tiempo de isquemia fría, hipertensión como enfermedad subyacente, creatinina final del donante y otras enfermedades subyacentes.
Limitaciones
- Al ser un análisis retrospectivo unicéntrico, no se pudo establecer el efecto causal entre los factores pronósticos y el resultado; no se pudo clasificar el rechazo en rechazo de linfocitos T y rechazo vascular; no se pudieron agrupar los datos relacionados con los anticuerpos del panel de reactividad de anticuerpos (PRA) de clase II ni diferenciar entre antígenos HLA I y II debido a la falta de información.
*Edad, área de la superficie corporal, raza, sexo, tipo de terapia de diálisis realizada, enfermedad subyacente, clase I PRA I, retrasplante; †Tipo de donante (vivo o fallecido), edad, sexo, área de la superficie corporal, causa de la muerte, antecedentes de hipertensión, antecedentes de diabetes, concentración sérica de sodio, creatina fosfocinasa, creatinina sérica final, uso de fármacos vasoactivos; ‡Dcomió trasplante, tiempo de isquemia fría, tiempo total de anastomosis, tratamiento de inducción e inmunosupresión inicial, no coincide, presencia de DGF; §Se excluyó a los pacientes sin información sobre el rechazo en los 30 días posteriores a la cirugía.
Consulte la publicación original Minato ACDS, et al. para obtener más detalles.
MAT-ES-2400381_V1-Febrero 2024
Minato ACDS, Hannun PGC, Barbosa AMP, da Rocha NC, Machado-Rugolo J, Cardoso MMA, et al. Machine learning model to predict graft rejection after kidney transplantation. Transplant Proc. 2023;55(9):2058–2062. doi: 10.1016/j.transproceed.2023.07.021. PMID: 37730451.
Actualidad Científica
Trasplante Renal
Actualiza tus conocimento sobre la inmunosupresión en el trasplante renal
Contenido recomendado
La información contenida en este sitio web está dirigida exclusivamente a profesional sanitario facultado para prescribir o dispensar medicamentos en España (requiere una formación especializada para su correcta interpretación).
Sanofi promueve la prescripción de sus productos farmacéuticos en las condiciones establecidas en su ficha técnica.
Pulse ACEPTAR si usted es profesional sanitario en España y desea continuar en este sitio o SALIR para ser redirigido al sitio web de Sanofi.
campus.sanofi.es dice:
Hola, queremos avisarte que estás a punto de abandonar una web de Sanofi y accederás a otra página
web donde no se aplica nuestra política de privacidad. Sanofi no se hace responsable del contenido de dicha web externa.
Inmunosupresión en el trasplante renal
Inmunosupresión en el trasplante renal
El trasplante renal es un procedimiento quirúrgico que consiste en la sustitución de un riñón que no funciona adecuadamente, por un riñón funcional obtenido de un donante vivo o fallecido1,2.
La técnica ha mejorado progresivamente desde el primer trasplante renal exitoso en 1954, con la disminución de la incidencia del rechazo agudo y mejoras sustanciales en los resultados de supervivencia del injerto a corto plazo3,4. En comparación con la diálisis, el trasplante renal también conduce a una mejora en la supervivencia del paciente y en su calidad de vida, así como a una reducción de los costes sanitarios4.
Con el objetivo de prevenir el rechazo agudo comprobado por biopsia (RACB o BPAR en inglés), y prolongar la supervivencia del injerto, la terapia de inducción se utiliza para causar una profunda inmunosupresión en el período precoz tras el trasplante5. Sin embargo, para verdaderamente optimizar los resultados a largo plazo, se requiere una inmunosupresión individualizada, no solo basada en las características del donante, el receptor y el trasplante, sino también empleando distintos biomarcadores para evaluar la función inmune y la lesión del alógrafo, y utilizando nuevas combinaciones de inmunosupresores cuando sea necesario6.
Rol de Sanofi (ambición)
Sanofi, como compañía biofarmacéutica centrada en la salud de las personas ofrece soluciones innovadoras en el área de enfermedades cardiovasculares, que van desde la prevención al diagnóstico y el tratamiento.
Sanofi colabora y desarrolla proyectos que cubren desde el ámbito educacional hasta la sensibilización social. El objetivo es ayudar a concienciar, informar y formar tanto a la población general como a profesionales sanitarios sobre diferentes aspectos relacionados con las enfermedades cardiovasculares y sus factores de riesgo, en especial el colesterol. Estos proyectos engloban desde diversas actividades formativas dirigidas a reducir el riesgo de sufrir un evento cardiovascular, portales y herramientas formativas e informativas, y colaboraciones en diversas jornadas y foros de expertos.
Asimismo, para mejorar la calidad de vida de los pacientes, Sanofi colabora con asociaciones de pacientes y sociedades científicas con el objetivo de poder aportar soluciones de valor.
El compromiso de Sanofi también se extiende al ámbito de I+D+i, transformando los avances médicos y científicos en soluciones sanitarias y desarrollando fármacos innovadores que mejoran las expectativas y la calidad de vida de los pacientes brindando, de esta manera, soporte a la prevención y control de las enfermedades cardiovasculares.
Por todo ello la misión de Sanofi se centra en identificar las necesidades de los pacientes y cumplir con sus expectativas de salud.
Referencias
- Watnick S, Dirkx T. Chronic kidney disease. In: Papadakis MA, McPhee SJ, Rabow MW, eds. Current Medical Diagnosis and Treatment. 52nd ed. New York, NY: McGraw-Hill Companies Inc; 2013:898-937.
- Kidney Transplant. National Institute of Diabetes and Digestive and Kidney Diseases website. https://www.niddk. nih.gov/health-information/kidney-disease/kidney-failure/kidney-transplant. Accesso 26 julio 2021.
- Garcia GG, Harden P, Chapman J; Steering Committee for the World Kidney Day 2012. The global role of kidney transplantation. Lancet. 2012;379(9820):e36-e38.
- Knoll G. Trends in kidney transplantation over the past decade. Drugs. 2008;68(suppl 1):3-10.
- Casale, J.P., Taber, D.J., Staino, C., Boyle, K., Covert, K., Pilch, N.A., Mardis, C., Meadows, H.B., Chavin, K.D., McGillicuddy, J.W., Baliga, P.K. and Fleming, J.N. (2017), Effectiveness of an Evidence-Based Induction Therapy Protocol Revision in Adult Kidney Transplant Recipients. Pharmacotherapy, 37: 692-699.
- Pilch, N.A., Bowman, L.J. and Taber, D.J. (2021), Immunosuppression trends in solid organ transplantation: The future of individualization, monitoring, and management. Pharmacotherapy, 41: 119-131.