Dados do Trabalho

Título

Fatores Preditivos para complicações cirúrgicas no pós-transplante renal. Análise utilizando aprendizado de máquina

Introdução

As complicações cirúrgicas (CCs) após o transplante renal continuam sendo um importante problema que resulta no aumento da morbidade, da hospitalização e dos custos. CCs não implicam apenas em um problema técnico, uma vez que há influência de vários fatores relacionados aos receptores, aos doadores e equipe cirúrgica. O objetivo foi tentar identificar fatores de risco para CCs após transplante renal utilizando métodos estatísticos mais sofisticados de aprendizado de máquina (“machine learning”).

Material e Método

Foram revisados e analisados uma base de dados contendo 795 transplantes de rim realizados entre 2010 e 2017. As CCs foram agrupadas em complicações totais composto pelo somatório de complicações vasculares (7,4%) e urológicas (6,5%).

Resultados

Não houve diferenças demográficas e nos parâmetros pré-transplante avaliados entre aqueles que tiveram CCs e aqueles que não tiveram. Uma ou mais CCs ocorreu em 105 (13,2%) pacientes. Pela análise de regressão logística, apenas o painel > 10% (p= 0,02) foi significativamente associado com a ocorrência de complicações. Observamos uma maior ocorrência de complicações em cirurgias realizadas durante os feriados e por cirurgiões não exclusivamente dedicados ao transplante. A análise de “machine learning” utilizando árvores de decisão do tipo “Random forest” apontou como fatores preditivos de complicações: equipe cirúrgica não exclusiva, volume renal, idade do receptor, tempo de diálise, idade do doador, IMC do receptor e presença de anormalidades vasculares.

Discussão e Conclusões

Observamos fatores não tradicionais e pouco explorados como preditores de complicações cirúrgicas. A construção de um modelo predito ajuda na detecção de pacientes com alto risco de evoluir com complicações.

Palavras Chave

complicações cirúrgicas, aprendizado de máquina, transplante renal, análise preditiva