Factores determinantes en la supervivencia de pacientes incidentes de una unidad de hemodiálisis hospitalaria

• Autores: Eva Mª Cotilla De La Rosa
• Directores de la Tesis: Antonio Martínez-Lorente (dir. tes.), Beatriz Díez Ojea (dir. tes.)
• Lectura: En la Universitat d'Alacant / Universidad de Alicante ( España ) en 2025
• Idioma: español
• Número de páginas: 273
• Tribunal Calificador de la Tesis: José Luis Górriz Teruel (presid.), Andreu Nolasco Bonmatí (secret.), María Dolores Arenas Jiménez (voc.)
• Programa de doctorado: Programa de Doctorado en Ciencias de la Salud por la Universidad de Alicante
• Enlaces
  • Tesis en acceso abierto en: RUA
• Resumen

  • La ERC (Enfermedad Renal Crónica) es potencialmente grave con una elevada morbimortalidad. La tasa de mortalidad entre los pacientes de hemodiálisis (HD) supera el 10% nual y una mayor tasa de mortalidad dentro del primer año después del inicio de HD ha sido descrito. Los recursos de los que disponemos a través de los registros electrónicos, ya implementados en nuestro sistema, hacen muy útil el conocimiento de herramientas capaces de procesar y relacionar un gran conjunto de datos, utilizando de partida los métodos tradicionales estadísticos y compararlo con modelos de Inteligencia Artificial (IA) diseñados para obtener este mismo objetivo. Por tanto, nuestra hipótesis tiene que ver con las variables a considerar para analizar la supervivencia de nuestra serie, haciendo hincapié en la mortalidad temprana, y con la calidad de los registros en nuestro sistema. Objetivo. El objetivo de nuestro estudio fue analizar la supervivencia y establecer las variables de mortalidad temprana, del paciente con enfermedad renal crónica que inicia hemodiálisis en el Departamento de Vinalopó (Elche-Crevillente) y observar la evolución de la serie en el tiempo , durante el periodo de estudio, del 1/1/2011-1/1/2023. Estudiar una serie retrospectiva de doce años en nuestra unidad de hemodiálisis hospitalaria para conocer con la mayor precisión posible, y en base a los registros a los que tenemos acceso, qué variables tanto en la fase prediálisis como durante la diálisis entran a formar parte de un análisis de supervivencia y, sobre todo, qué peso tienen las distintas variables a analizar en la toma de decisiones, tanto por métodos de estadística tradicional como por Inteligencia Artificial. Métodos. Se recogieron datos de pacientes incidentes en hemodiálisis entre los años 2011 y 2023. Se realizó análisis comparativo entre cuatrienios para comprobar que no existieran grandes diferencias y por tanto nuestra muestra no fuera homogénea. Se comprobó que no existían grandes diferencias mediante el cálculo de tasas de incidencia. Se calcularon las distribuciones de frecuencias absolutas y relativas de las variables cualitativas, así́ como las medidas de distribución, tendencia central y dispersión de las variables cuantitativas. Más tarde y comenzando la inferencia estadística para comprobar las asociación de las variables independientes con la supervivencia a 90 y a 365 días, se realizaron análisis de regresiones logísticas binarias para las variables cuantitativas y cualitativas dicotómicas y se aplicaron test de Chi-cuadrado y pruebas exactas de Fisher para todas las variables cualitativas. Para estudiar la supervivencia total, y como se relaciona esta con las variables independientes, se realizó un análisis de supervivencia mediante el método Kaplan-Meier. Estas técnicas se aplicaron a las variables que habían resultado tener una asociación significativa con la supervivencia a 90 o 365 días. Partimos de métodos tradicionales estadísticos y comparamos los resultados con un modelo de Inteligencia Artificial (IA) diseñado para predecir la supervivencia de un paciente sujeto a un tratamiento médico, teniendo en cuenta las circunstancias que han llevado a su patología. Para lograr este objetivo se hace uso de redes neuronales para crear un modelo predictivo trabajando sobre los datos recogidos. También se estudia la posibilidad de reducir el número de entradas/predictores, aplicando métodos de reducción de dimensionalidad para determinar cuáles son las entradas significativas para obtener un modelo predictivo más ajustado. Finalmente, hallado un modelo óptimo se procede hallar los valores óptimos para las entradas del modelo que maximizarían la supervivencia de un paciente dadas las respectivas lecturas para las entradas del modelo. Resultados. Se incluyeron un total de 200 pacientes incidentes en hemodiálisis. La media de edad fue de 70,2 años y una mediana de 74 años, el promedio de puntuación en Índice de Charlson de 6,8. En relación con nuestro objetivo principal, que era la estimación del tiempo de supervivencia de los pacientes incidentes en HD se alcanzó una media de 3,14 años [IC95% (2.62;3,67)]. El porcentaje de pacientes vivos al año de inicio de HD ascendió hasta 83,6% [CI95% (78,9%;89,1%)], a los 5 años al 33,3% [CI95% (24,9%;42,3%)] y a los 10 años alcanza un 2,0% [CI95% (0,0%;4,8%)]. Tras la realización de pruebas de inferencia estadística encontramos que las únicas variables que pudimos afirmar que tenían una asociación significativa con la supervivencia a 90 días fueron 6: FG-CKD-EPI, Acceso Vascular a inicio en HD,IMC extremos a inicio en HD, Índice de comorbilidad de Charlson corregido por edad, a inicio en HD, Hipertensión, Albúmina, Presión de pulso. Y con la supervivencia a 365 días, alcanzaron significación más variables, hasta 20 descritas. Para el estudio de la supervivencia total se realizó un análisis de supervivencia mediante el método Kaplan-Meier y se utilizó con prueba de contraste de hipótesis la prueba log-rank. Esto se aplicó a variables que habían resultado significativas en los análisis anteriores con supervivencia a 90 y 365 días, y alcanzaron significación 8 variables: tipo de inicio, seguimiento nefrológico, acceso vascular a inicio, albúmina a inicio, PCR a inicio, prealbúmina a después de 3 meses en HD, edad a inicio de HD e índice de Charlson. Nuestro método de redes neuronales pone de manifiesto que, si alteramos las variables modificables, tras millones de combinaciones con el objetivo de maximizar la supervivencia, podemos obtener un patrón que puede llegar a alargar la supervivencia hasta 8 años. Si analizamos de forma global, las variables modificables identificadas como relacionadas con supervivencia o protectoras por cada uno de los métodos , tradicional y la IA, y seleccionamos aquellas que se repiten, obtenemos 3 variables: FAV en uso al inicio HD,IMC regular al inicio, Albúmina ≥3,5 antes de HD. Y como variables protectoras que aporta la Inteligencia Artificial, y que no hemos podido demostrar con las estadística tradicional, 5 variables: la nefroprotección , adherencia, Hb óptima antes de HD, Tratamiento con EPO, N.º episodios de urgencias 0 antes de entrar en HD. Conclusiones. Un estudio que contribuye a valorar áreas de mejora y revisar la calidad del dato y la calidad asistencial de los procedimientos, así como medir el grado de adherencia e intervenir sobre factores modificables detectados en nuestro estudio que han influido en la supervivencia, desde fases precoces, para ver si somos capaces de cambiar el curso de la enfermedad de nuestros pacientes Para ello se realizó un análisis epidemiológico observacional retrospectivo de seguimiento longitudinal que permitió destacar las siguientes conclusiones: PRIMERA: Tras el análisis de supervivencia objetivamos que la mortalidad es muy elevada. SEGUNDA: No existen diferencias relevantes en la supervivencia según el período temporal al que pertenecen los pacientes dentro de nuestro período de estudio, estableciéndose 3 períodos según el año de entrada en HD (2011-2014, 2015-2018 y 2019-2021). TERCERA: La variable con más peso estadístico tanto en muerte a corto plazo precoz y temprana como muerte a largo plazo, ha sido el AV (FAV). El ser portador de catéter aumenta el riesgo de muerte. CUARTA: Las variables nutricionales, tanto por desnutrición como la albúmina, la prealbúmina, el CT, la creatinina, el IST, la PCR, o por grado de obesidad como el IMC extremo >30 se relacionan con muerte precoz y temprana. La prealbúmina y la PCR además se asocian con la muerte a largo plazo. QUINTA: El progresador rápido de enfermedad renal tiene una relación estadística con muerte temprana. SEXTA: A pesar de la ausencia y/o deprescripción de nefroprotección farmacológica a 3 meses del inicio de HD, objetivamos mayor porcentaje (80,6%) de estabilización y regresión de proteinuria, y no hemos podido concluir una relación de causalidad de mayor riesgo de muerte temprana por la falta de nefroprotección. SEPTIMO: A mejor KtV mayor supervivencia en muerte temprana. Es la única variable de diálisis que se ha obtenido significación. OCTAVA: Los pacientes con dependencia severa o total medido por la Escala de Barthel tienen una asociación muy significativa positiva con fallecimiento temprano y negativa con supervivencia. NOVENA: La edad e índice de Charlson aumentados, tienen una relación estadística con muerte temprana y muerte a largo plazo. DECIMA: El seguimiento ERCA >6 meses tiene una relación estadística con mayor supervivencia a 365 días. El seguimiento nefrológico previo tiene una relación significativa con la supervivencia a largo plazo. UNDÉCIMA: El inicio programado tiene una relación estadística con supervivencia a corto y largo plazo. DUODÉCIMA: Respecto a la adherencia no se ha encontrado relación estadística con la mortalidad a corto y largo plazo. Se evidencian dos períodos, al inicio de HD obtenemos en torno a un 80% de pacientes catalogados como totalmente adherentes (del 1º al 4º cuatrimestre) y conforme van pasando el tiempo este porcentaje se reduce hasta el 50% siendo el resto moderadamente adherentes (del 5º al 23-24 cuatrimestre). DÉCIMO TERCERA: La variable de mayor peso en este estudio es el AV, la FAV como variable protectora relacionada con la supervivencia, tanto por el método de estadística tradicional como mediante IA, de ahí su importancia. Dos de las variables protectoras nutricionales obtenidas mediante estadística tradicional, la albúmina > 3,5 y el IMC regular al inicio se han podido sustentar también con la IA. Y como variables protectoras que aporta la IA, que no hemos podido demostrar con la estadística tradicional: la nefroprotección y la adherencia. DÉCIMO CUARTA: El uso de redes neuronales para crear modelos predictivos para predecir la supervivencia de pacientes futuros usando datos de pacientes anteriores con la misma patología, ofrece la ventaja de poder encontrar patrones no tan evidentes en los datos analizados con los métodos de estadística tradicional. Así como poder determinar cuáles son las entradas/predictores más influyentes en la supervivencia del paciente. DÉCIMO QUINTA: El modelo de atención sanitaria basado en HD hospitalaria puede ofrecer ventajas significativas en términos de monitoreo continuo y la capacidad de intervenir de forma temprana en variables modificables que influyen en la supervivencia de los pacientes a lo largo de su trayectoria renal tanto en la etapa "prediálisis" como en la etapa de "diálisis"