Objetivo:
Desarrollar un modelo predictivo de la supervivencia del paciente trasplantado y del injerto e identificar las variables predictoras más influyentes como paso previo a instaurar un modelo de decisión compartida con el paciente candidato a trasplante renal.

Material y métodos:

Un total de 525 pacientes trasplantados renales fueron incluidos en este estudio con al menos 12 años de seguimiento (trasplantados entre 2011-2013). Se realizó una revisión retrospectiva con inclusión consecutiva de pacientes de un hospital terciario referente en trasplante renal. Se consideraron variables del donante y receptor. Se entrenaron modelos de Machine Learning (ML), Random Survival Forest (RSF) y Gradient Boosting Survival Analysis (GBSA), evaluados mediante el índice de concordancia (C-index), el Brier score integrado (BSI) y el área bajo la curva (AUC) dinámico acumulativo.

Resultados:
Ambos modelos ML mostraron un buen desempeño en la predicción de supervivencia del paciente con un mayor poder predictivo a partir del quinto año (C-index en entrenamiento y prueba: RSF 0,796 y 0,787; GBSA 0,808 y 0,756 | BSI: RSF 0,088; GBSA 0.085 | AUC a 1, 5 y 10 años: RSF 0,587, 0,76 y 0,835; GBSA 0,483, 0,714 y 0,83). Las variables identificadas como más influyentes por ambos modelos fueron la edad del paciente y del donante, diabetes, la nefropatía de base no diabética o por poliquistosis renal autosómica dominante[LS1] [AB2] , la hipertensión del donante y la presencia de infección oportunista.

Los modelos ML aplicados a la supervivencia del injerto mostraron un desempeño global inferior; sin embargo, presentaron un mayor poder discriminativo durante los primeros años, que en este caso resultan de mayor interés clínico (C-index en entrenamiento y prueba: RSF 0,8 y 0,665; GBSA 0,815 y 0,628 | BSI: RSF 0,121; GBSA 0.122 | AUC a 1, 5 y 10 años: RSF 0,816, 0,687 y 0,748; GBSA 0,711, 0,594 y 0,767). Las variables más relevantes según ambos modelos fueron la necesidad de diálisis, la presencia de complicaciones quirúrgicas precoces (<30 días), el retraso en la función del injerto y la edad del paciente.

Conclusiones:
Los modelos ML han mostrado diferente capacidad predictiva según el horizonte temporal, pero se han mostrado útiles para la predicción temprana de la pérdida de injerto y de la mortalidad a largo plazo.