Ayuda
Ir al contenido

Dialnet


Análisis de la progresión de la enfermedad renal crónica avanzada mediante técnicas de aprendizaje máquina

  • Autores: Amparo Soldevila Orient
  • Directores de la Tesis: Julio Hernández Jaras (dir. tes.), Alfonso Miguel Carrasco (codir. tes.), Marcelino Martínez Sober (codir. tes.)
  • Lectura: En la Universitat de València ( España ) en 2017
  • Idioma: español
  • Tribunal Calificador de la Tesis: Luis Pallardó Mateu (presid.), Manuel Domínguez González (secret.), Alberto Tejedor Jorge (voc.)
  • Materias:
  • Texto completo no disponible (Saber más ...)
  • Resumen
    • La enfermedad renal crónica (ERC) constituye actualmente un importante problema de salud. Hoy en día tenemos una prevalencia de insuficiencia renal de un 10.6 % a nivel mundial y de un 11.86 % en Europa. Según el estudio EPIRCE realizado en la población española, la prevalencia de esta enfermedad en las categorías 3-5 fue del 6.8 % y, más recientemente, se reporta un incremento de la misma de hasta un 8.7 %. Esto conlleva implicaciones socio-sanitarias y económicas, puesto que, por una parte, la enfermedad renal crónica se asocia a una importante comorbilidad, y, por otra, el coste económico que genera es muy elevado, suponiendo en la actualidad un 2.5 - 3% del presupuesto del sistema nacional de salud y más del 4 % del de la atención especializada.

      Teniendo en cuenta estos aspectos, es crucial el manejo adecuado de este grupo de pacientes para intentar frenar la progresión de la enfermedad renal. De esta forma retrasamos el inicio del tratamiento sustitutivo de la función renal (diálisis o trasplante renal) y reducimos complicaciones asociadas a esta enfermedad en estadios avanzados.

      La velocidad de progresión de la enfermedad renal crónica no es similar para todos los pacientes, de forma que unos evolucionan a estadios avanzados mucho más rápido que otros, en función de diferentes variables.

      Se han implicado múltiples factores clínicos y analíticos en la progresión de la enfermedad renal, como hipertensión arterial, proteinuria mayor de 1.5 g/día, nefropatía de base, raza negra, sexo masculino, obesidad, diabetes mellitus (DM), dislipemia, tabaco, dietas hiperproteicas, retención de fosfato, acidosis metabólica, hiperuricemia. Queda por determinar de una forma más definitiva, de qué manera pueden influir los diferentes factores o la combinación de varios de ellos en la progresión de la enfermedad renal crónica en fases avanzadas, es decir, con un FG estimado < 45 ml/min/ 1.73 m2/año, donde su papel no está tan claro.

      En este sentido se han realizado múltiples estudios para intentar predecir la evolución de la enfermedad renal usando variables clínicas y analíticas. En todos ellos se han utilizado técnicas que podríamos llamar clásicas: contraste de hipótesis, modelos multivariantes lineales, ANOVA, etc. Sin embargo, la evolución del hardware/software permite la aplicación de técnicas más modernas y potentes a grandes bases de datos. Actualmente se aplican en todas las áreas del conocimiento, siendo la clínica una de ellas.

      En el presente trabajo, además de las pruebas estadísticas “clásicas”, se emplean técnicas de aprendizaje máquina en la caracterización de los pacientes con enfermedad renal crónica para intentar determinar la influencia de diferentes variables clínicas y analíticas en la progresión de la misma. Además, se han desarrollado modelos predictivos de progresión de enfermedad renal.

      En este estudio se ha realizado un análisis retrospectivo de 115 pacientes que han sido controlados en la Unidad de Enfermedad Renal Crónica del Hospital La Fe de Valencia. En estos pacientes se han analizado una serie de variables clínicas y analíticas de consideración rutinaria en el manejo de este tipo de pacientes, y se ha calculado la progresión de la enfermedad renal mediante el cálculo de la pendiente de descenso del filtrado glomerular. Estableciendo un punto de corte en un descenso de - 5 ml/min/año/1.73 m2 , se han clasificado los pacientes en progresores rápidos y progresores lentos y se ha comparado la presencia de las diferentes variables en ambos grupos de pacientes, mediante contraste de hipótesis (Wilcoxon y t de Student para las variables continuas y Chi cuadrado y F de Fisher para las discretas). Se han identificado como factores de progresión: el menor tiempo de seguimiento en la consulta (p=1.15 e-6), el grado de proteinuria mantenido a lo largo de la evolución (p=1.21 e-5), la proteinuria basal, (p= 0.000157), los niveles elevados de fósforo (p=0,00378), los niveles bajos de calcio (p=0,0437), la creatinina elevada (p=0,00437) y la mayor pendiente inicial de descenso del FG (p=0.02).

      Con las variables que han obtenido significación estadística en la primera fase, se ha desarrollado inicialmente un modelo de regresión logística univariante, que nos ha confirmado que, de todas las variables seleccionadas, el mejor predictor de progresión de enfermedad renal es la proteinuria. Posteriormente el modelo de regresión logística multivariante generado con estas mismas variables ha resultado ser un buen modelo productivo.

      En una segunda fase se han aplicado, para el análisis multivariante, técnicas de aprendizaje máquina como Naive-Bayes y TAN, tanto con las variables que han alcanzado significación estadística en fases anteriores, como con variables obtenidas por procesos de selección automática (Boruta), demostrando superioridad en las técnicas de aprendizaje-máquina, en concreto, la que ha mostrado más precisión ha sido el modelo TAN tras selección de variables por Boruta, con un AUC de 0.93, una sensibilidad del 100 % y una especificidad del 88%.

      También se ha desarrollado un árbol de decisión a partir de las variables seleccionadas, que va a suponer un instrumento útil para predecir, siguiendo un algoritmo, si un paciente concreto va a desarrollar una progresión más o menos rápida de la enfermedad renal. Esta técnica ha demostrado una precisión más baja que el modelo anteriormente citado pero tiene la ventaja de poder ser aplicado en la clínica de forma directa.

      Asímismo, otro aspecto novedoso y que supone una aportación de esta tesis es la aplicación de redes neuronales, en concreto de mapas autoorganizados (SOM), a nuestra base de datos, que ha permitido una caracterización minuciosa de los pacientes mediante el establecimiento de relaciones de asociación entre diferentes variables de forma simultánea.

      La caracterización de estos pacientes mediante redes neuronales y la aplicación de modelos predictivos en la práctica clínica puede suponer una gran ventaja, puesto que nos va a permitir incidir en ciertos aspectos propios de la enfermedad renal crónica, sobre todo en aquellos pacientes en los que se prevea una evolución más rápida, para intentar frenarla y, por tanto, retrasar el inicio del tratamiento sustitutivo. Además, vamos a poder planificar de una forma más adecuada el inicio de diálisis o incluso el momento de realización de un trasplante renal anticipado de donante vivo.

      Como conclusiones de esta tesis podemos decir: • Sólo 15.6 % de pacientes con ERC grados 3b, 4 y 5 tendrán progresión rápida de la enfermedad renal, por lo que va a ser muy importante identificarlos para intentar frenar su evolución hacia fases más avanzadas de la enfermedad renal • Como factores de progresión se han encontrado: Proteinuria (basal y evolutiva), fosforemia, calcemia y pendiente de descenso del FG entre los dos primeros controles.

      • Las técnicas de aprendizaje máquina han mostrado superioridad frente a las convencionales en cuanto a predicción de progresión de la enfermedad renal.

      • Las técnica que mejor capacidad predictiva ha mostrado es TAN tras selección de variables por Boruta • Se ha generado un árbol de decisión para predecir progresión de enfermedad renal.

      • Los mapas SOM suponen una nueva herramienta que va a permitir establecer nuevas relaciones de asociación de forma simultánea entre variables en la población de pacientes con ERC avanzada. Esta función no nos la proporcionan las técnicas convencionales.


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus

Opciones de compartir

Opciones de entorno