Preditores de ganho de peso após um ano de transplante renal : um estudo exploratório utilizando método de aprendizado de máquina

Abstract

Objetivo: Utilizar a técnica de aprendizado de máquina para predizer variáveis que possam estar relacionadas com o ganho de peso um ano após a realização do transplante renal. Métodos: Estudo de coorte retrospectiva, baseado em dados secundários de 374 pacientes transplantados renais em um hospital do sul do Brasil entre janeiro de 2006 e julho de 2013. Foram avaliados parâmetros sócios-demográficos, clínicos e antropométricos. O algoritmo elastic net foi utilizado para as análises de machine learning (Zou & Hastie, 2005). Todos os experimentos foram realizados em R (versão 3.6.3) com o auxílio da biblioteca caret. Todas as variáveis com mais de 15% de missing data foram excluídas e o conjunto foi dividido em treino (75%, N=282) e teste (25%, N=92) para a criação do modelo final de predição. Resultados: Do total, 72,45% dos pacientes obtiveram algum ganho de peso um ano pós-transplante, sendo que 31,55% obtiveram um ganho de peso ≥10% do peso pré-transplante. O sexo feminino foi fator de risco no modelo preditivo para porcentagem de ganho de peso em 12 meses após o transplante renal e foi a segunda variável com maior importância. Transplante de doador falecido, idade do receptor ao transplantar, peso no pré-transplante e rins policísticos como etiologia da doença renal foram fatores protetores para o ganho de peso, sendo o primeiro o de maior relevância de todo o modelo. A correlação apresentada foi fraca (correlação de Pearson 0,28; p = 0,01), o erro médio absoluto (MAE) foi de 7,25%. Conclusão: Apesar de o poder preditivo do modelo utilizando algoritmo de aprendizado de máquina não ter sido satisfatório, os resultados deste estudo apoiam a necessidade de uma intervenção individualizada e multidisciplinar que vise a prevenção de ganho de peso no período pós-transplante, principalmente se o receptor renal for do sexo feminino. Além disso, algoritmos de aprendizado de máquina podem fornecer ferramentas versáteis e viáveis para criar modelos de predição na área do transplante renal e devem ser utilizados em estudos futuros.

Objective: To use the machine learning technique to predict variables that may be related to weight gain one year after kidney transplantation. Methods: Retrospective cohort study, based on secondary data from 374 kidney transplant patients in a hospital in southern Brazil between January 2006 and July 2013. Socio-demographic, clinical and anthropometric parameters were evaluated. The elastic net algorithm was used for the analysis of machine learning (Zou & Hastie, 2005). All experiments were performed in R (version 3.6.3) with the aid of the caret library. All variables with more than 15% of missing data were excluded and the set was divided into training (75%, N = 282) and testing (25%, N = 92) to create the final prediction model. Results: Of the total, 72.45% of patients achieved some weight gain one year after transplantation, with 31.55% individuals achieving a weight gain ≥10% of pre- transplant weight. Female gender was a risk factor in the predictive model for the percentage of weight gain in 12 months after kidney transplantation and was the second most important variable. Transplantation of deceased donor, age of recipient when transplanting, pre-transplant weight and polycystic kidneys as a cause of kidney disease were protective factors for weight gain, the first being the most relevant of the entire model. The correlation presented was weak (Pearson's correlation 0.28; p = 0.01), the mean absolute error (MAE) was 7.25%. Conclusion: Although the predictive power of the model using machine learning algorithm was not satisfactory, the results of this study support the need for an individualized and multidisciplinary intervention aimed at preventing weight gain in the post-transplant period, especially if the renal recipient is female. In addition, machine learning algorithms can provide versatile and viable tools to create predictive models in the area of kidney transplantation and should be used in future studies.