Modelo predictivo de mortalidad a largo plazo en el trasplante hepático del adulto

Resumen

El trasplante hepático es el tratamiento de elección de muchas hepatopatías terminales y un procedimiento que ha ido evolucionando desde sus inicios, mejorando sus resultados con el paso del tiempo. A pesar de que nuestro país es uno de los que presentan las tasas de donación más altas del mundo, debido al incremento en el número de indicaciones para la realización de un trasplante hepático, porcentaje de pacientes que fallecen en lista de espera se cifra en torno al 5 %. Por ello se continúa investigando y buscando modelos predictivos y de asignación de injertos a fin de mejorar la eficiencia global del procedimiento. En nuestro trabajo planteamos como objetivo el desarrollo de un modelo predictivo para determinar la mortalidad del receptor al año del trasplante. Para ello, con un conjunto de 1235 trasplantes hepáticos primarios realizados en pacientes adultos en el Hospital La Fe de Valencia, y utilizando 29 variables de donante, receptor e injerto conocidas con anterioridad al procedimiento, se confeccionaron modelos predictivos con la regresión logística (RL) y con un sistema de redes neuronales artificiales (RNA) para predecir la mortalidad del receptor y la pérdida del injerto al año de la intervención. Los resultados obtenidos con los modelos creados en este grupo fueron: - Mortalidad del receptor: o RNA: área bajo de curva (ABC): 0,81. o RL: ABC: 0,71. - Pérdida del injerto: o RNA: ABC: 0,90. o RL: ABC: 0,69. Una vez creados los modelos predictivos en el grupo descrito anteriormente, se procedió a la validación de los modelos con un grupo de 200 nuevos receptores que fueron sometidos a un trasplante hepático con posterioridad en la misma unidad. Los resultados obtenidos en este grupo de validación fueron: - Mortalidad del receptor: o RNA: área bajo de curva (ABC): 0,82. o RL: ABC: 0,68 - Pérdida del injerto: o RNA: ABC: 0,72. o RL: ABC: 0,58. Al comparar ambos modelos se evidenció que el modelo de RNA obtuvo mejores ABC, siendo la diferencia entre ambos estadísticamente significativa en el grupo de desarrollo, pero no en el grupo de generalización o validación. Por tanto, con un conjunto de 29 variables de fácil acceso y recopiladas antes del procedimiento hemos creado un modelo predictivo basado en redes neuronales artificiales que obtiene resultados válidos para su aplicación en la práctica clínica (ABC mayor de 0,80)