• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
https://doi.org/10.11606/D.5.2022.tde-02052022-100110
Document
Author
Full name
Raquel Martins e Quinino
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2021
Supervisor
Committee
David Neto, Elias (President)
Cavalcanti, Frederico Castelo Branco
Lemos, Francine Brambate Carvalhinho
Oliveira, Rodrigo Azevedo de
Title in Portuguese
Desenvolvimento de um modelo para predição da função renal imediata e função retardada do enxerto após transplante renal com doador falecido utilizando diferentes algoritmos de machine learning
Keywords in Portuguese
Aprendizado de máquina
Fatores de risco
Função renal imediata
Função retardada do enxerto
Inteligência artificial
Modelo preditivo
Transplante renal
Abstract in Portuguese
Introdução: O transplante renal é considerado o melhor tratamento para a doença renal crônica em estadio 5 e a maior parte deles é realizada com rins de doadores falecidos. Após o transplante esses rins evoluem de diferentes formas: desde excelente função renal imediata (FRI) até função retardada do enxerto (FRE), com necessidade de diálise. Pacientes que não evoluem com FRI apresentam piores desfechos relacionados à sobrevida do enxerto, incidência de rejeição aguda, permanência hospitalar e custos. Existem vários modelos descritos na literatura para predição da função retardada do enxerto (FRE) por estatística convencional e machine learning (ML), porém não há nenhuma referência a modelos preditivos para FRI. Este estudo se propõe a avaliar diferentes tipos de algoritmos por ML para predição da FRI e FRE. Métodos: foram analisados retrospectivamente dados de pacientes submetidos a transplante renal com doador falecido no Serviço de Transplante Renal do Hospital das Clínicas da Universidade de São Paulo (HC-FMUSP), entre 01 de janeiro de 2010 e 31 de dezembro de 2019. Definiram-se três grupos de acordo com a recuperação da função renal: Função Renal Imediata (FRI) - redução da creatinina sérica 10% em dois dias consecutivos; Função Lenta do Enxerto (FLE)- redução da creatinina sérica < 10% em dois dias consecutivos, mas sem necessidade de diálise na primeira semana; e Função Retardada do Enxerto (FRE): necessidade de diálise na primeira semana após o transplante renal. O conjunto de treino correspondeu a 70% dos pacientes e teste 30%. Seis algoritmos foram utilizados: Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), Gradient Boosting Classifier(GBC), CatBoost Classifier, AdaBoost Classifier e Random Forest Classifier. A análise de desempenho no conjunto de teste foi realizada utilizando a AUC-ROC, sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN) e F1 score. Resultados: Foram analisados 859 pacientes, sendo 186 (21,65%) FRI, 248 (28,87%) FLE e 425 (49,48%) FRE. Para a predição da FRI o algoritmo que obteve o melhor desempenho foi o XGBoost, com AUC-ROC- 0,76 (IC 95%: 0,69 - 0,82), sensibilidade de 0,75, especificidade de 0,64, VPP de 0,37 e VPN de 0,90. As variáveis preditoras para o evento FRI em ordem decrescente de relevância foram creatinina final, idade e pressão arterial média do doador, KDRI e diurese do doador. O resultado preditivo obtido para a FRE não foi satisfatório. Conclusões: utilizando técnicas de ML, foram comparados seis algoritmos e obteve-se um bom modelo preditivo para FRI, porém as variáveis estudadas não foram capazes de predizer de forma satisfatória o evento FRE. O algoritmo de melhor desempenho para a predição da FRI foi o XGBoost e as variáveis preditoras de maior importância são relacionadas ao doador. O modelo preditivo apresentado neste estudo pode auxiliar na quantificação de risco para ensaios clínicos, identificando os pacientes com melhor prognóstico para a recuperação da função renal após o transplante
Title in English
Development of a model to predict immediate kidney function and delayed graft function after kidney transplantation with deceased donor using different machine learning algorithms
Keywords in English
Artificial intelligence
Delayed graft function
Immediate graft function, Risk factors
Kidney transplantation
Machine learning
Predictive model
Abstract in English
Introduction: Kidney transplantation is considered the best treatment for stage 5 chronic kidney disease and most of them are performed with kidneys from deceased donors. After transplants these kidneys evolve in different ways: from excellent immediate graft function (IGF) to delayed graft function (DGF) requiring dialysis. Patients who do not develop IGF have worse outcomes related to graft survival, incidence of acute rejection, hospital stay and costs. There are several models to predict DGF described in the literature developed by conventional statistics and machine learning (ML), but there is no reference to predictive models for IGF. This study aims to evaluate different types of ML algorithms for IGF and DFG prediction. Methods: Data from patients submitted kidney transplantation with deceased donors in the Renal Transplant Service of the Hospital das Clínicas of the University of São Paulo (HCFMUSP) between January 1, 2010 and December 31, 2019 were analyzed retrospectively. Three groups were defined according to the recovery of renal function: Immediate Graft Function (IGF) - reduction in serum creatinine 10% on two consecutive days; Slow Graft Function (SGF) - reduction in serum creatinine < 10% on two consecutive days, but no need for dialysis in the first week and Delayed Graft Function (DGF): need for dialysis in the first week after kidney transplantation. The training set corresponded to 70% of patients and test 30%. Six algorithms were used: Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), Gradient Boosting Classifier (GBC), CatBoost Classifier, AdaBoost Classifier e Random Forest Classifier. Performance analysis on the test dataset was performed using AUC-ROC, sensitivity, specificity, positive predictive value (PPV), negative predictive value (VPN) and F1 score (F1). Results: 859 patients were analyzed, of which 186 (21.65%) in the IGF group, 248 (28.87%) SGF group and 425 (49.48%) DGF group. For the prediction of IGF, the algorithm that obtained the best performance was (XGBoost), with AUC-ROC of 0.76 (95% CI: 0.69 - 0.82), sensitivity of 0.75, specificity of 0.64, VPP of 0.37 and VPN of 0.90. The predictor variables for the IGF event in decreasing order of relevance were donor final creatinine, donor age, donor mean arterial pressure, KDRI and donor urine output. The predictive result obtained for DGF was not satisfactory. Conclusions: Using ML techniques, we compared six algorithms and obtained a good predictive model for IGF, but the analyzed variables were not able to satisfactorily predict the DGF event. The best performing algorithm for IGF prediction was XGBoost and the most important predictor variables are related to the donor. Our predictive model can help quantify risk for clinical trials, identifying patients with the best prognosis for recovery of graft function after transplantation
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2022-05-02
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2022. All rights reserved.