Elaboração de um modelo preditivo de tempo de espera para transplante renal com doador falecido no estado de São Paulo

Abstract

Introdução: O sistema de transplantes do Estado de São Paulo possibilita uma amostra valiosa da realidade do sistema do Brasil. Apesar dos critérios de alocação de doadores previamente estabelecidos, prever o tempo de espera ainda é um grande desafio. Poucos trabalhos estudam o tempo em lista com doador falecido e acredita-se que a elaboração de um modelo preditivo possa contribuir para o melhor direcionamento dos pacientes que aguardam transplante. Os objetivos deste estudo são: criar um modelo preditivo do tempo de espera em lista para transplante renal com doador falecido no Estado de São Paulo e determinar os fatores preditivos para o tempo de espera em lista para o transplante renal. Métodos: Estudo retrospectivo de uma base de dados da Secretaria de Saúde do Estado de São Paulo/Brasil referente a todos os pacientes listados para transplante no período de janeiro de 2000 a Dezembro de 2017. As variáveis estudadas foram: idade, sexo, raça, doença de base, regional de referência, tempo de diálise, grupo sanguíneo do sistema ABO, painel classe I, HLA-A, HLA-B, HLA-DR, número de transfusões sanguíneas e de gestações e transplantes prévios. Para a análise dos dados foram separados de forma aleatória em dois grupos: 75% para treino e 25% de teste para a validação do modelo obtido. Foi construída uma regressão de Cox tendo como desfecho o transplante. Foram realizadas análises de sensibilidade para as diferentes regionais e análise de regressão com desfecho competitivo. Resultados: Foram analisados 54.055 registros compreendendo um período de 17 anos sendo que aproximadamente 1/3 dos pacientes foram transplantados (n=13.694) neste período. A probabilidade de transplante foi maior nos primeiros 50 meses. Os três principais fatores que reduziram a chance de transplante foram: Painel > 80%: 0.200.230.26, pertencer a regional FMUSP: 0.460.490.52 e o tipo sanguíneo O: 0.640.660.69. Os três fatores que se associaram a maior chance de transplante foram: idade < 18 anos: 4.905.295.71, presença de sorologia positiva para anti-HBc: 1.882.152.45 e o tipo sanguíneo AB: 1.121.241.36. Obteve-se um modelo preditivo que foi capaz de predizer o tempo de espera em lista com ótima concordância em validação interna (c-index = 0.70). Conclusão: O sistema de alocação foi efetivo em priorizar os receptores menores de 18 anos e os pacientes com maior compatibilidade no sistema HLA. Identificamos grupos de pacientes com reduzidas chances de transplante como os sensibilizados, do grupo sanguíneo O, os pacientes com homozigose no sistema HLA e nos centros com maior número de pacientes inscritos em lista. Diferenças regionais foram encontradas favorecendo os centros com menor número de pacientes inscritos. Foi elaborado um modelo predito que pode ajudar na previsibilidade do transplante.

Introduction: The transplantation system of the State of São Paulo provides a valuable sample of the reality of the system in Brazil. Despite previously established donor allocation criteria, predicting waiting time is still a major challenge. Few studies have examined the time on the list with a deceased donor and it is believed that the development of a predictive model may contribute to better targeting of patients awaiting transplantation. Objectives: To create a predictive model of waiting time on the list for kidney transplantation with deceased donor in the State of São Paulo and to determine the predictive factors for waiting time on the list for kidney transplantation. Methods: Retrospective study of a database of the Health Department of the State of São Paulo/Brazil referring to all patients listed for transplantation from January 2000 to December 2017. The variables studied were: age, gender, race, underlying disease, regional reference, dialysis time, ABO blood group, class I panel, HLA-A, HLA-B, HLA-DR, number of blood transfusions and previous pregnancies and transplants. For the analysis of the data, two groups were randomly separated: 75% for training and 25% for testing to validate the model obtained. A Cox regression was constructed with transplantation as the outcome. Sensitivity analyses were performed for the different regions and regression analysis with competitive outcome. Results: 54,055 records were analyzed over a period of 17 years and approximately 1/3 of the patients were transplanted (n=13,694) in this period. The probability of transplantation was highest in the first 50 months. The three main factors that reduced the chance of transplantation were: Panel > 80%: 0.200.230.26, belonging to the FMUSP regional: 0.460.490.52 and blood type O: 0.640.660.69. The three factors associated with a higher chance of transplantation were: age < 18 years: 4.905.295.71, presence of positive serology for anti-HBc: 1.882.152.45 and blood type AB: 1.121.241.36. A predictive model was obtained that was able to predict the waiting time on the list with excellent agreement in internal validation (c-index = 0.70). Conclusion: The allocation system was effective in prioritizing recipients younger than 18 years and patients with higher HLA-matching. We identified groups of patients with reduced chances of transplantation such as sensitized patients, blood group O, patients with homozygosity in the HLA system and in centers with the largest number of patients registered on the list. Regional differences were found favoring centers with lower numbers of enrolled patients. A predictive model was developed that can help in the predictability of transplantation.