Medicina de precisión pre-trasplante

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: 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.

Trees of Predictors utiliza estos 53 puntos de datos para predecir cuánto vivirán las personas con insuficiencia cardíaca, en función de si reciben un trasplante o no. (De esos puntos de datos, 33 se relacionan con información sobre los destinatarios o destinatarios potenciales, 14 pertenecen a los donantes y seis se refieren a la compatibilidad entre el donante y el receptor.)

Los investigadores probaron Trees of Predictors en una base de 30 años de datos sobre personas registradas en United Network for Organ Sharing, la organización sin fines de lucro que combina donantes y receptores de trasplantes en los EE. UU. Descubrieron que su algoritmo proporcionaba predicciones significativamente mejores durante cuánto tiempo alguien viviría por los métodos actuales que utilizan los proveedores de servicios de salud.

También superó las predicciones de los métodos de aprendizaje automático que han sido desarrollados por otros grupos de investigación.

"Nuestro trabajo sugiere que se podrían salvar más vidas con la aplicación de este nuevo algoritmo basado en el aprendizaje automático", dijo van der Schaar, que también es becario de Turing en el Instituto Alan Turing de Londres y profesor de la Universidad de Oxford.

"Sería especialmente útil para determinar qué pacientes necesitan los trasplantes de corazón con mayor urgencia y qué pacientes son buenos candidatos para terapias de puentes como los dispositivos de asistencia mecánica implantados".

El algoritmo puede analizar muchos posibles escenarios de riesgo para posibles candidatos de trasplante para ayudar a los médicos a evaluar más a fondo las personas que podrían ser candidatos para trasplantes de corazón, y es lo suficientemente flexible como para incorporar más datos a medida que evolucionan los tratamientos.

"Siguiendo este método, podemos identificar un número significativo de pacientes que son buenos candidatos para el trasplante pero que no fueron identificados como tales por los enfoques tradicionales", dijo el Dr. Martin Cadeiras, cardiólogo de la Escuela de Medicina David Geffen de UCLA.

"Esta metodología se asemeja mejor al proceso de pensamiento humano al permitir múltiples soluciones alternativas para el mismo problema, pero teniendo en cuenta la variabilidad de cada individuo".

Por ejemplo, cuando se compara con los modelos de predicción que la mayoría de los médicos utilizan para proyectar qué receptores de trasplantes vivirían al menos tres años después del trasplante, un punto de referencia utilizado comúnmente, el algoritmo de UCLA superó a los modelos en un 14 por ciento, prediciendo correctamente que 2,442 receptores de trasplante de corazón de la 17.441 que recibieron trasplantes y vivieron al menos tanto tiempo después de la cirugía.

Van der Schaar dijo que el algoritmo Trees of Predictors podría usarse para obtener información de bases de datos médicas y muchos otros tipos de bases de datos complejas. Ya, Yoon, Zame y van der Schaar han demostrado que puede funcionar reconocer la escritura a mano y predecir el fraude con tarjetas de crédito y la popularidad de noticias específicas.

Resultados clave
Se hace hincapié en tres hallazgos clave del estudio:

  1. El método supera significativamente los puntajes de riesgo clínico existentes, los modelos de regresión familiares y los puntos de referencia de aprendizaje automático de última generación en términos de predicción precisa de la supervivencia en lista de espera y postrasplante.
     
  2. Esta mejora en el rendimiento tiene importancia clínica: nuestro método predice correctamente la supervivencia y la mortalidad para un mayor número de pacientes.
     
  3. Existe una gran heterogeneidad, tanto en grupos de pacientes como a través de diferentes horizontes de tiempo. Nuestro método capta esta heterogeneidad mucho mejor que otros métodos.