Medicina de precisión pre-trasplante | 09 JUL 18

Algoritmo predictivo de esperanza de vida en insuficiencia cardíaca

La investigación de UCLA podría ayudar a los proveedores de servicios de salud a hacer un mejor uso de los recursos que salvan vidas
Autor/a: Jinsung Yoon, William R. Zame, Amitava Banerjee, Martin Cadeiras, Ahmed M. Alaa, Mihaela van der Schaar Fuente: Plos One https://doi.org/10.1371/journal.pone.0194985 Personalized survival predictions via Trees of Predictors: An application to cardiac transplantation

Un nuevo algoritmo desarrollado por investigadores de UCLA predice con mayor precisión qué personas sobrevivirán a la insuficiencia cardíaca y por cuánto tiempo, reciban o no un trasplante de corazón.

Introducción

La predicción del riesgo (predicción de supervivencia) es crucial en muchas áreas, quizás lo más obvio en la práctica médica. La predicción de supervivencia antes y después del trasplante cardíaco, que es el enfoque de este documento, es un problema especialmente importante porque las decisiones de trasplante y tratamiento dependen de las predicciones de supervivencia del paciente en la lista de espera y supervivencia después del trasplante.

Actualmente, solo alrededor de un tercio de los corazones disponibles se trasplantan y los otros dos tercios se descartan

Además de proporcionar una guía útil para el tratamiento de pacientes individuales, mejores predicciones pueden aumentar la cantidad de trasplantes exitosos. Actualmente, solo alrededor de un tercio de los corazones disponibles se trasplantan y los otros dos tercios se descartan.

La predicción de riesgo / supervivencia en este contexto es un problema desafiante por una serie de razones.

Las poblaciones de pacientes y donantes son heterogéneas. Esta heterogeneidad se refleja en diferentes patrones de supervivencia para subpoblaciones. Además, la importancia de las características particulares (covariables) en la supervivencia es diferente para las diferentes subpoblaciones, y la dependencia de la supervivencia en las características implica las interacciones entre las características, que son de nuevo diferentes para las diferentes subpoblaciones.

  • Las características que tienen el mayor efecto en la supervivencia dependen del horizonte temporal: las características que son más importantes para la supervivencia durante 3 meses son diferentes de las que son más importantes para la supervivencia durante 3 años.
     
  • La práctica clínica subyacente y la población de pacientes cambian con el tiempo. En el caso del trasplante cardíaco, el ejemplo más dramático de cambio en la práctica clínica subyacente tuvo lugar después de la introducción de ayudas mecánicas, especialmente dispositivos de asistencia ventricular izquierda (DAVI) en 2005, después de lo cual los tiempos de supervivencia promedio de la población mejoraron significativamente
     
  • La mayoría de los enfoques clínicos comúnmente usados para la predicción de la supervivencia utilizan modelos de talla única que se aplican a toda la población de pacientes y donantes y no capturan por completo la heterogeneidad de estas poblaciones. La mayoría de estos abordajes clínicos construyen una puntuación de riesgo única (un número real) para cada paciente en función de las características del paciente y luego usan esa puntuación de riesgo para predecir un tiempo de supervivencia o una curva de supervivencia. Una consecuencia de este enfoque es que se predice que los pacientes con mayor riesgo tienen una menor probabilidad de sobrevivir en cada horizonte temporal dado, por lo que las curvas de supervivencia para diferentes individuos no se cruzan.

El estudio

El algoritmo permitiría a los médicos hacer evaluaciones más personalizadas de las personas que esperan trasplantes de corazón, lo que a su vez podría permitir a los proveedores de atención médica hacer un mejor uso de los recursos limitados que salvan vidas y potencialmente reducir los costos de atención médica.

A medida que la medicina de precisión gana terreno en el cuidado de la salud, este estudio podría ser un paso clave para adaptar los procedimientos de trasplante de órganos a pacientes individuales. El estudio, que fue publicado en PLOS One, fue dirigido por Mihaela van der Schaar, Catedrática de Ingeniería Eléctrica y Computación de la Facultad de Ingeniería Samueli de UCLA.

El algoritmo, que los investigadores denominan árboles de predictores, utiliza el aprendizaje automático, lo que significa que las computadoras efectivamente "aprenden" a partir de nuevos datos adicionales a lo largo del tiempo.

Tiene en cuenta 53 puntos de datos, que incluyen edad, sexo, índice de masa corporal, tipo de sangre y química sanguínea, para abordar las complejas diferencias entre las personas que esperan trasplantes de corazón y la compatibilidad entre posibles receptores de trasplante de corazón y donantes.

 

Comentarios

Para ver los comentarios de sus colegas o para expresar su opinión debe ingresar con su cuenta de IntraMed.

AAIP RNBD
Términos y condiciones de uso | Todos los derechos reservados | Copyright 1997-2023