Mortalidad en pacientes en diálisis: importancia y desarrollo de nuevos métodos fiables de predicción

Abstract

Introducción: Actualmente, con el fin de generar modelos predictivos, se están usando métodos no paramétricos basados en técnicas conocidas como “Machine Learning”, por ejemplo, Random Forest, además del análisis de Regresión Logística clásico. El objetivo de nuestro estudio fue evaluar modelos de predicción de mortalidad creados mediante Random Forest en pacientes en hemodiálisis. Métodos: Se recogieron datos de pacientes incidentes en hemodiálisis entre los años 1995 y 2015. Se realizó una predicción de mortalidad a los 6 meses, 1 y 2 años de comenzar hemodiálisis mediante Random Forest y Regresión Logística. Como análisis adicional, se calculó el índice de concordancia para estudio de supervivencia a los 6 meses, 1, 2 y 3 años mediante regresión de Cox y mediante una variante de Random Forest, Random Survival Forest. Los resultados de los tests fueron comparados entre sí y con la mortalidad real observada en nuestra muestra, recogida en la base de datos del servicio de Nefrología del Hospital Universitario Reina Sofía. Variables demográficas y analíticas fueron analizadas en los primeros 30, 60 y 90 días tras la primera sesión de hemodiálisis. Resultados: Se incluyeron un total de 1571 pacientes incidentes en hemodiálisis. La media de edad fue de 62.3 años y el promedio de puntuación en Índice de Charlson de 5.99. Los modelos de predicción de mortalidad obtenidos mediante Random Forest se encontraron adecuados en términos de precisión (AUC de 0.68 a 0.73) y superiores a los modelos obtenidos mediante Regresión Logística (ΔAUC de 0.007 a 0.046). La comparación de los Índices de Concordancia demostró mayor capacidad de predicción de supervivencia de Random Survival Forest comparado con regresión de Cox en 7 de los 12 períodos estudiados (58.3%). Los resultados del estudio indican que ambos métodos, Random Forest y Regresión Logística, son capaces de desarrollar modelos de predicción de mortalidad utilizando diferentes variables. Conclusiones: El análisis de Machine Learning mediante Random Forest es un método adecuado, incluso superior a Regresión Logística, para generar modelos de predicción de mortalidad en pacientes incidentes en hemodiálisis.