Dados do Trabalho

Título

MODELO DE PREDIÇAO PARA IDENTIFICAR FATORES ASSOCIADOS AO OBITO DE PACIENTES EM DIALISE: MACHINE LEARNING

Introdução

São escassos os estudos que consideram o início não planejado e que utilizaram o Machine learning (ML) para prever mortalidade dos pacientes em diálise. O objetivo do presente estudo é desenvolver, por meio de algoritmos do software R, modelos de predição de ML para identificar variáveis relacionadas ao óbito de pacientes em HD e DP.

Material e Método

Incluídos pacientes adultos em DP e HD de modo planejado e de início urgente em unidade de diálise de jan/2014 a jan/2019 e coletados dados epidemiológicos, clínicos e laboratoriais. Realizada análise univariada e, posteriormente, pela técnica do ML, obtidas regressões multivariadas pelo método de COX. Nesse contexto, 20% dos dados foram separados para testar o modelo de regressão, sendo os outros 80% utilizados para a construção do método. No pré-processamento para a Regressão de COX, alguns valores foram imputados por bag impute (árvores de decisão), além de criadas as variáveis dummy e removidas as variáveis colineares. Por fim, construído modelo preditivo de Random Forest (RF) após remoção das variáveis com missing superior a 30%.

Resultados

Incluídos 581 pacientes, dos quais 170 evoluíram a óbito (29,2%). Associaram-se ao óbito pela Análise Univariada: maior média de idade, maior nº de comorbidades, menor mudança de método dialítico, menores valores de creatinina, PTH e albumina (alb) no início da diálise, diabetes (DM), internação, não transplantados, menor tempo de sobrevida, menor recuperação de função e o cateter venoso central (CVC) como acesso dialítico. Pela análise da sobrevida, pacientes que tiveram como acesso inicial o CVC apresentaram pior sobrevida (p=0,0034) em relação aos que não iniciaram com CVC, ou seja, os que iniciaram com FAV e os que iniciaram em DP. Por meio da Regressão de Cox, associaram-se ao óbito a maior idade (p<0,001), menor quantidade de meses livres de IOS (p<0,001) e menor creatinina inicial (p=0,008). O modelo apresentou um C-index de 0,8099. A realização do método preditivo de RF resultou, em ordem crescente de importância, na identificação das seguintes variáveis, que apresentaram grau de importância maior que 50% em relação a predição de óbito: meses livres de IOS, idade e níveis iniciais de creatinina. A concordância do modelo obtido foi 0,8110.

Discussão e Conclusões

Meses livres de IOS, idade e creatinina inicial estão associados ao óbito e o CVC está relacionado a uma pior sobrevida.

Palavras Chave

Dialise, Hemodiálise, Diálise Peritoneal, Machine Learning, sobrevida, óbito