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.

• 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.

• 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.

• 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.

• 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.

• 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.

• 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.