Evaluación del riesgo de daño renal agudo en el contexto del transplante pulmonar

Abstract

[ES] El daño renal agudo (DRA) es una complicación frecuente y clínicamente relevante en el posoperatorio inmediato del trasplante pulmonar (TXP). Partiendo de la hipótesis de que muchos pacientes llegan al quirófano con un estado premórbido de “fragilidad renal”, una condición de vulnerabilidad subclínica no siempre detectable mediante la tecnología diagnóstica convencional, esta tesis explora si dicha fragilidad puede identificarse antes de la cirugía combinando variables clínicas y, fundamentalmente, biomarcadores de estado funcional y tisular renal mediante tecnología de inteligencia artificial, concretamente el aprendizaje automático (machine learning, ML). Objetivo: Generar una prueba de concepto para un sistema de diagnóstico preoperatorio de fragilidad renal capaz de anticipar el riesgo de DRA temprano tras el TXP, con dos aproximaciones: (1) Por una parte, mediante la evaluación del poder predictivo individual de variables generales y de función renal del paciente; y (2) por otra, mediante el desaarrollo de un modelo multivariable de ML que identifique e integre la información complementaria aportada por estas variables para caracterizar la fragilidad renal. Métodos: Se realizó un estudio de cohorte, observacional y prospectivo (ULS São José/Hospital de Santa Marta, 2018–2021). Se incluyeron 104 receptores de TXP. Con ellos se conformó una muestra emparejada por edad y sexo con pacientes que sufrieron un DRA y que no lo sufrieron (68 pacientes en total: 34 DRA y 34 No-DRA). Se analizaron variables demográficas y clínicas (comorbilidades habituales) y una batería de indicadores renales preoperatorios, incluidos biomarcadores urinarios de filtración glomerular y función tubular: creatinina sérica y urinaria, urea en sangre, TCP1, NAG, transferrina y GM2AP. El modelo empleó variables categóricas y algoritmos basados en árboles de decisión (Random Forest y ExtraTrees) con validación leave-one-out y evaluación mediante curvas ROC. El mejor modelo se repitió 100 veces para evaluar la variabilidad del rendimiento debido a la inicialización aleatoria de los algoritmos. Resultados principales: La incidencia de DRA (según loscriterios KDIGO) en las dos primeras semanas posteriores al TXP fue del 32,7% en la cohorte total, lo que confirma su elevada prevalencia en el TXP. Las variables del paciente (edad, sexo, índice de masa corporal, hipertensión arterial, diabetes, tabaquismo), el diagnóstico pulmonar y el tipo de TXP no mostraron asociación robusta independiente con el DRA temprano, probablemente por el sesgo de selección propio de los programas de trasplante. Los biomarcadores de función renal no mostraron, individualmente, ninguna capacidad de discriminación (AUC≈0,5–0,6). Sin embargo, al integrar múltiples variables y categorizarlas, el mejor modelo multidimensional de ML basado en la edad, la creatinina sérica, la creatinina urinaria, la proteinuria, el TCP1 y la transferrina alcanzó una AUC de 0,89 y una exactitud del 84%, que muestra la capacidad clínica potencial para estratificar el riesgo antes de la cirugía. Aportación conceptual: La tesis define la fragilidad renal en el contexto del TXP como un fenotipo de reserva renal disminuida (vulnerabilidad sin lesión establecida), que explica la pobre capacidad predicitva de los biomarcadores en el momento preoperatorio y la mejora sustancial al analizarlos de forma integrada mediante inteligencia artificial. Este enfoque desplaza la predicción desde lo reactivo (“vigilar la creatinina tras la cirugía”) hacia lo proactivo (“paciente frágil: protección renal intensiva desde el preoperatorio”), alineada con los principios de la medicina preventiva y personalizada. 4 Implicaciones clínicas: Un sistema diagnóstico y predictivo preoperatorio de fragilidad renal permitirá: (i) activar paquetes de actuaciones de prevención (care bundles) de DRA (optimización hemodinámica, control glucémico, minimización de nefrotóxicos, gestión de fluidos), (ii) ajustar el uso de ECMO/CEC y sus parámetros, y (iii) priorizar la vigilancia analítica y hemodinámica durante todo el periodo perioperatorio. Limitaciones: La monocentricidad, el tamaño muestral moderado, la falta de validación externa independiente, y el entorno clínico específico pueden limitar la generalización de los resultados. Conclusión: Ningún predictor preoperatorio aislado anticipa con fiabilidad el DRA temprano tras el TXP. Sin embargo, un modelo multivariable de ML que integra variables clínicas y biomarcadores de estado funcional y tisular renal identifica con alto rendimiento a los pacientes con fragilidad renal y alto riesgo de DRA, lo que abre una ventana anticipatoria y eficaz real para la prevención, que debe ser estudiada con mayor profundidad en nuevos estudios