Dados do Trabalho

Título

Modelo Preditivo para o tempo de espera em lista de transplante no Estado de São Paulo utilizando aprendizado de máquina. Análise de um grande Registro Nacional com 54.000 pacientes.

Introdução

Prever o tempo de espera em lista é importante para realizar os exames de avaliação bem como informar o paciente sobre suas chances de transplante. O objetivo foi realizar um modelo preditivo do tempo de espera em lista no Estado de São Paulo.

Material e Método

Realizamos uma análise de aprendizado de máquina (“machine learning”) utilizando o Banco de Dados da Secretaria de Saúde do Estado de São Paulo no período de Fev/2001 a Julho/2018. Utilizou-se o software R versão 3.4.2 para as análises estatísticas.

Resultados

No período analisado foram avaliados 54.055 casos sendo retirados da análise os transplantes com doador vivo e os pacientes priorizados totalizando 48.207 casos. Foi construído um modelo para a chance de transplante em 36 meses. O resultado foi expresso na probabilidade de transplante com base em características preditoras tais como: tipagem ABO, HLA, regional, painel, tempo de lista, idade dentre outras. O modelo foi construído em 70% dos dados e validado nos 30% não utilizados (validação interna). Dois modelos foram selecionados com melhor desempenho: árvores aleatórias e uma regressão logística com método de seleção de stepwise. Estes modelos foram treinados por validação cruzada em 10 repetições. As árvores aleatórias utilizaram uma combinação de 37 preditores apresentando o melhor desempenho com uma acurácia de 94% e área sobre a curva de 0.96. A regressão logística utilizou a combinação de 49 preditores apresentou acurácia de 80% e área sobre a curva de 0.70.

Discussão e Conclusões

Construiu-se um modelo preditivo para estimar a probabilidade de transplante em 36 meses com doador falecido com excelente acurácia. As principais variáveis preditivas foram: tempo de diálise, idade, doença de base e tipos de HLA mais frequentes.

Palavras Chave

transplante renal, análise preditiva, aprendizado de máquina