Dados do Trabalho

Título

Uso do aprendizado de máquina na determinação dos fatores de risco do diabetes mellitus pós transplante renal

Introdução

Novas abordagens estatísticas podem melhorar a predição de eventos e fatores de risco associados a doenças, como o diabetes mellitus pós-transplante (DMPT). O Aprendizado de Máquina (AM) utiliza algoritmos para reconhecer padrões em dados e realizar inferências. Objetivamos, através de AM supervisionado, determinar as variáveis relacionadas ao transplante (TX) renal associadas à incidência de DMPT.

Material e Método

Coorte histórica (n =895). Incluídos receptores de TX renal de 2000 a 2011. Diagnóstico de DMPT adjudicado. Variáveis relacionadas ao doador (sexo, idade, etnia, sorologias, HLA, grupo ABO, status vital), ao receptor (idade ao TX, sexo, etnia, sorologias, nº de transfusões/gestações, TX prévios, HLA, grupo ABO) e ao TX (nº de incompatibilidades/HLA, tempo de isquemia fria e de anastomose). Decision tree (DT) foi o modelo de classificação testado e para o processo de indução das árvores foram utilizados os algoritmos Exhaustive CHAID e CART.

Resultados

142 pacientes (16%) desenvolveram DMPT em 144,5 meses de seguimento. Independente do algoritmo utilizado, a idade do receptor ao TX foi o primeiro divisor (incidência de DMPT em ≤40 anos 9,1% vs. 20% em >40 anos, p =0,001). O ponto de corte de 43 anos para idade do doador gerou o divisor seguinte (p =0,003). DMPT incidiu mais em mulheres que receberam rim de doador >43 anos (20% vs. 11%, p =0,03), e sua ocorrência foi menor nos receptores portadores do HLA-DR3 (19% vs. 35%, p =0,03).

Discussão e Conclusões

O modelo de AM identificou a idade do receptor ao TX como o principal determinante para DMPT. Idade do doador, HLA-DR3 e sexo também foram preditores. Estes achados corroboram resultados da literatura, obtidos através de análise estatística tradicional, reforçando aplicabilidade do AM na medicina.

Palavras Chave

Diabetes mellitus pós-transplante renal; aprendizado de máquina.