Modelos predictivos de machine learning para estimar la sobrevida del injerto renal, basados en variables clínicas de la población colombiana

Abstract

El trasplante renal es la mejor opción terapéutica para pacientes con enfermedad renal terminal. La adecuada selección de la pareja donante-receptor es fundamental para optimizar la sobrevida tanto del injerto como del paciente. En los últimos años, se han propuesto diversos modelos predictivos con el fin de mejorar el aprovechamiento de los órganos disponibles y los desenlaces clínicos postrasplante. Este estudio tuvo como objetivo desarrollar y evaluar modelos de machine learning para predecir la sobrevida del injerto renal, utilizando un conjunto de datos construido a partir de variables clínicas de una cohorte colombiana, conformada por 2,012 pacientes. Se entrenaron y compararon dos enfoques: el modelo de riesgos proporcionales de Cox y el modelo de Bosques Aleatorios de Supervivencia. El modelo de Bosques Aleatorios mostró un rendimiento superior (IC = 0,61, IBS = 0,1596) en comparación con el modelo de Cox (IC = 0,58, IBS= 0,1636). Además, permitió la estratificación de pacientes en grupos de riesgo alto y bajo, con diferencias estadísticamente significativas (p = 0.006). Estos resultados sugieren que los modelos no paramétricos pueden capturar relaciones complejas y no lineales entre las variables, ofreciendo ventajas frente a los métodos estadísticos tradicionales. Así mismo, este trabajo constituye un paso importante hacia el desarrollo de herramientas predictivas adaptadas al contexto local y al perfil de los pacientes trasplantados en Colombia.