Título

MODELO PREDITIVO PARA O TEMPO DE ESPERA EM LISTA DE TRANSPLANTE NO ESTADO DE SAO PAULO UTILIZANDO APRENDIZADO DE MAQUINA. ANALISE DE UM GRANDE REGISTRO NACIONAL COM 54.000 PACIENTES.

Introdução

Não existe um algoritmo que possa prever a chance de transplante com doador falecido no Brasil. 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. O algoritmo final pode ser usado para prever a probabilidade de transplante de forma mais objetiva que o atual sistema disponível utilizando como principais variáveis: o tempo de diálise, a idade, a presença de diabetes o tipo sanguíneo ABO e os HLA mais frequentes. Podem-se demonstrar quais HLA foram mais associados a maior chance de transplante.

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