Nuevas fórmulas de emparejamiento donante y receptor en el trasplante pulmón

Resumen

1. introducción o motivación de la tesis Uno de los principales problemas del trasplante de pulmón es la escasez de órganos y la reducción de las tasas de supervivencia. En ausencia de un modelo estandarizado internacional para la asignación de donante-receptor de pulmón, nos propusimos desarrollar un modelo de este tipo basado en las características de experiencias adquiridas con donantes y receptores de pulmón con el objetivo de mejorar los resultados de todo el proceso de donación y trasplante de pulmón. Será muy importante unificar criterios para seleccionar donantes y candidatos a trasplante de pulmón mejorando así el proceso. Esto podría incluir el uso de métodos predictivos [1] o la identificación temprana de comorbilidades en los pacientes, un factor que influye en la supervivencia tanto antes como después del trasplante. Muchas variables deben tenerse en cuenta a la hora de realizar un trasplante de pulmón y pueden influir en el resultado quirúrgico, como la edad, la compatibilidad anatómica e inmunológica entre donante y receptor, conservación y estado del órgano trasplantado, tipo de cirugía y tipo de trasplante. En consecuencia, los equipos multidisciplinares son responsables de gestionar y evaluar el proceso de trasplante [2] La asignación de pulmón donante-receptor se basa en la experiencia de los neumólogos o cirujanos torácicos, mientras algunos de los equipos de trasplantes siguen el método de puntuación de asignación de pulmón LAS (Lung Allocations Score) para la asignación de donante-receptor. El LAS se diseño en 2005 y se utiliza como modelo predictivo de morbilidad y mortalidad en el trasplante de pulmón. Sin embargo, contrariamente a los supuestos iniciales, no ha sido aceptado internacionalmente por varias limitaciones, como no considerar parámetros importantes de donantes y receptores [3,4]. Por ello, en este trabajo hemos revisado la asignación de órganos para intentar identificar áreas emergentes de conocimiento que puedan ayudar a mejorar y optimizar los injertos pulmonares, reducir la morbilidad y mortalidad hospitalaria y potenciar los resultados generales. 2.contenido de la investigación Para la optimización de la asignación donante-receptor del trasplante de pulmón, se deben considerar los siguientes principios: a) Justicia: se debe garantizar el acceso equitativo y la asignación justa de los órganos obtenidos para el trasplante; esto puede estar influenciado por varios factores, entre los que se encuentran la edad del donante y del receptor, la urgencia clínica del trasplante, el tiempo en lista de espera, las características inmunológicas, entre otros. b) Eficiencia: que puede conceptualizarse como aprovechar al máximo los recursos limitados y evitar su uso indebido [5]; por ejemplo, la mayoría de los modelos de asignación no priorizan a los pacientes que consumirán menos recursos, tendrán una estancia hospitalaria más corta, un tiempo de supervivencia más largo, etc. c) Utilidad: entendida como la maximización del bien general deseado, basada en la supervivencia de los receptores y trasplantados. pulmones, calidad de vida del receptor y disponibilidad de tratamientos alternativos [ 6]. Conociendo estos principios, en este trabajo buscamos posibles nuevos modelos de asignación basados en la metodología estadística clásica asociada con la inteligencia artificial conocida como 'redes neuronales'. Entre objetivos estarían estudiar la predictibilidad de la supervivencia a los seis meses del trasplante pulmonar, utilizando un conjunto de datos homogéneo donde todos los trasplantes se habían realizado en el mismo hospital; y valorar si el uso del aprendizaje automático podría superar los enfoques estadísticos tradicionales. En nuestra metodología aplicada combinamos regresión logística (LR) con un tipo especial de red neuronal para obtener las ventajas de ambos. LR es un método ampliamente utilizado y aceptado para analizar variables de resultado binarias o multiclase, que tiene la flexibilidad de usarse para predecir el estado de probabilidad de una variable dicotómica basada en variables predictivas. A su vez, los métodos de aprendizaje automático comprenden diferentes algoritmos de entrenamiento supervisados y su implementación ha llevado a mejoras significativas sobre los métodos estadísticos clásicos en muchos campos de aplicación. Tanto el aprendizaje automático como los métodos LR se utilizaron para diferentes propósitos para analizar los trasplantes de pulmón en este trabajo actual [ 7 - 8]. Primero llevamos a cabo comparaciones binarias (supervivencia / no supervivencia) y luego ampliamos la misma metodología a problemas multiclase [9]. En nuestro trabajo realizamos un análisis retrospectivo de 404 trasplantes de pulmón realizados en el Hospital Universitario Reina Sofía (Córdoba, España) durante 23 años, se analizan diversas variables clínicas obtenidas a través de nuestra experiencia de práctica clínica en el proceso de donación y trasplante. Estos se utilizaron para crear varios modelos de clasificación. Entre los resultados obtenidos destacan la que la aparición del modelo propuesto representa una poderosa herramienta para el emparejamiento donante-receptor, así, en este trabajo actual, superó la capacidad de los métodos estadísticos clásicos. Las variables que predijeron un aumento de la probabilidad de supervivencia fueron: mayor capacidad vital funcional (FVC) pretrasplante y pos-trasplante, menor presión de dióxido de carbono (PCO2) pretrasplante, menor ventilación mecánica del donante y menor tiempo de isquemia. Los donantes masculinos tenían una mayor probabilidad de supervivencia. Es de destacar que el valor absoluto fue bastante bajo, por lo que esta influencia puede verse ensombrecida por interacciones con el resto de variables. El impacto del sexo del donante presentó resultados contradictorios en diferentes publicaciones [10]. En un estudio multicéntrico, el sexo no se identificó como un factor de riesgo independiente para un aumento de la disfunción pulmonar primaria o un aumento de la mortalidad [11]. El mayor riesgo atribuido al sexo del donante probablemente se relacionó con que el tamaño del órgano del donante era menor que el tamaño medio para el sexo de los receptores [ 12]. Los pulmones masculinos son generalmente aproximadamente un 20% más grandes que los pulmones femeninos [13], lo que puede explicar las diferencias de probabilidad que encontramos en este trabajo. Las variables que influyeron negativamente en la supervivencia del trasplante fueron bajo volumen espiratorio forzado en el primer segundo (FEV1) pretrasplante, menor cociente presión arterial de oxígeno (PaO2) / fracción de oxígeno inspirado (FiO2), trasplante bilobar, anciano receptor y donante, donante- desproporción del injerto receptor que requiere una reducción quirúrgica (Tailor), tipo de trasplante combinado, necesidad de bypass cardiopulmonar durante la cirugía. . 3.conclusión El trabajo y las actividades encaminadas a mejorar el problema de la escasez de órganos para trasplante, deben incluir medidas para optimizar los donantes que sufren muerte encefálica, promover la donación en vivo, evaluar criterios ampliados para el trasplante de órganos y aumentar la donación en asistolia o con el uso de máquinas de perfusión pulmonar ”ex vivo”. Seria importante mejorar el proceso mediante la creación de un nuevo modelo de asignación donante-receptor. Creemos que el modelo que obtuvimos en esta revisión retrospectiva del sistema de asignación de pulmón donante-receptor puede ser un nuevo camino a seguir para optimizar el proceso de donación y trasplante de pulmón. Este sistema también debe considerar variables adicionales de beneficio del trasplante, es decir, la asignación considerando la supervivencia y el uso maximizado dada la mayor demanda de órganos que está fomentando el trasplante de órganos mediante la aplicación de criterios expandidos. Las redes neuronales artificiales, basadas en datos y variables resultantes de la experiencia y los resultados de trasplantes múltiples, podrían jugar un papel importante en el emparejamiento de donantes-receptores de trasplantes de pulmón, optimizando así la eficiencia, efectividad y equidad, y ayudando a evitar cualquier subjetividad que pueda jugar un papel en la toma de decisiones de los profesionales. La fusión de LR y redes neuronales puede aportar información sobre la importancia de cada una de las relaciones no lineales entre variables que influyen en la evolución del trasplante de pulmón. Finalmente, sería interesante validar estos resultados, tanto interna como externamente, y realizar una validación prospectiva de un ensayo clínico multicéntrico para intentar conseguir una mayor robustez a la hora de aplicar el modelo de asignación en pulmón en el contexto de las asignaciones de trasplantes. 4. bibliografía 1.-Schaffer JM, Singh SK, Joyce DL y col. Trasplante para hipertensión arterial pulmonar idiopática: mejora en la era de puntuación de asignación pulmonar. Circulación. 2013; 127 (25): 2503–2513. pmid: 23697910 2.-Kotsimbos T, Williams TJ, Anderson GP. Actualización sobre trasplante de pulmón: programas, pacientes y perspectivas. Eur Respir Rev. 2012; 21 (126): 271-305. pmid: 23204117 3.-Davis SQ, Garrity ER Jr. Asignación de órganos en el trasplante de pulmón. Pecho. 2007; 132 (5): 1646–1651. pmid: 1799836 4- Gries CJ, Rue TC, Heagerty PJ, Edelman JD, Mulligan MS, Goss CH. Desarrollo de un modelo predictivo de supervivencia a largo plazo después del trasplante de pulmón e implicaciones para la puntuación de asignación de pulmón. J trasplante de corazón-pulmón. 2010; 29 (7): 731–738. pmid: 20382034 5.-Scheunemann LP, Blanco DB. La ética y la realidad del racionamiento en medicina. Pecho. 2011; 140 (6): 1625–1632. pmid: 22147821 6.-U.S. Department of Health & Human Services >2015 Ethical principles in the allocation of human organs. Available at: https://optn.transplant.hrsa.gov/resources/ethics/ethical-principles-in-the-allocation-ofhuman-organs/. 7.- Agbor-Enoh S, Wang Y, Tunc I, et al. Donor-derived cell-free DNA predicts allograft failure and mortality after lung transplantation. EBioMedicine. 2019;40:541–553. pmid:30692045 8.- Al-Ebbini L, Oztekin A, Sevkli Z, Delen D. Predicting quality of life for lung transplant recipients: A hybrid genetic algorithms-based methodology. In Al-Oqily I, editor, 2017 IEEE Jordan Conference on Applied Electrical Engineering and Computing Technologies, AEECT 2017. Institute of Electrical and Electronics Engineers Inc. 2018. p. 1–6. (2017 IEEE Jordan Conference on Applied Electrical Engineering and Computing Technologies, AEECT 2017). https://doi.org/10.1109/AEECT.2017.8257741 9.- Hervás-Martínez C, Martínez-Estudillo FJ, Carbonero-Ruz M. Regresión multilogística mediante redes neuronales evolutivas producto-unidad. Redes neuronales: el diario oficial de la sociedad internacional de redes neuronales. Septiembre de 2008; 21 (7): 951–961. pmid: 18313261 10.- Alvarez A, Moreno P, Illana J, et al. Influence of donor-recipient gender mismatch on graft function and survival following lung transplantation. Interact Cardiovasc Thorac Surg. 2013;16(4):426–435. pmid:23322094 11.-Diamond JM, Lee JC, Kawut SM, et al. Clinical risk factors for primary graft dysfunction after lung transplantation. Am J Respir Crit Care Med. 2013;187(5):527–534. pmid:23306540 12.-Diamond JM, Arcasoy S, Kennedy CC, et al. Report of the International Society for Heart and Lung Transplantation Working Group on Primary Lung Graft Dysfunction, part II: Epidemiology, risk factors, and outcomes-A 2016 Consensus Group statement of the International Society for Heart and Lung Transplantation. J Heart Lung Transplant. 2017;36(10):1104–1113. pmid:28802530 13.- Eberlein M, Reed RM. Donor to recipient sizing in thoracic organ transplantation. World J Transplant. 2016;6(1):155–164. pmid:27011913