Dados do Trabalho

Título

MACHINE LEARNING PARA PREDIÇAO DE REJEIÇAO PRECOCE DE ENXERTO RENAL

Introdução

Existem poucos estudos que apontam para os prognósticos pós-transplante, principalmente relacionados à sobrevida do enxerto e rejeição. Assim, o objetivo desse estudo foi a criação de um modelo preditivo de Machine Learning para rejeição de enxerto renal no período de até 30 dias pós-transplante.

Material e Método

Estudo retrospectivo com 1255 pacientes transplantados de doadores vivos e falecidos em serviço terciário de saúde no Brasil. Os dados do receptor, doador, transplante e pós-operatório foram coletados de prontuários físicos e eletrônicos. Dividimos os dados em conjuntos de dados de derivação (treinamento - 80%) e validação (teste - 20%). Cinco algoritmos de ML supervisionados foram desenvolvidos com este subconjunto de variáveis no conjunto de treinamento: Regressão Logística Simples, Lasso, Multilayer Perceptron, XGBoost, Light GBM.

Resultados

Houve 147 (12,48%) casos de rejeição do enxerto até 30 dias pós-transplante. O melhor modelo foi XGBOOST (Accuracy: 0,839; ROC AUC: 0,715, Precision: 0,900). O modelo mostrou que transplante de doador falecido, glomerulopatia como doença de base e uso de drogas vasoativas pelo doador obtiveram mais de 20% de importância como fatores de risco de rejeição. As variáveis com maiores valores preditivos foram Indução de Timoglobulina e Função Retardada do Enxerto, sendo o primeiro tido como principal fator protetor, e o segundo como principal fator indutor do desfecho.

Discussão e Conclusões

Criamos um modelo de Machine Learning para prever a rejeição do enxerto em 30 dias pós-transplante renal que atinge boa precisão e acurácia. Assim, modelos de aprendizado de máquina podem contribuir para prever a sobrevivência renal usando abordagens não tradicionais.

Palavras Chave

Transplante Renal; Rejeição de Enxerto; Machine Learning; Insuficiência Renal Crônica; Aloenxertos.

Área

RIM - Rejeição Aguda