119503 20221025101351.0 TAZ-TFG-2022-861 spa Marín Araiz, Lucía Graft survival prediction in Liver Transplantation: A supervised predictive model with Artificial Neural Networks Predicción de supervivencia del Injerto en el Trasplante Hepático: un modelo predictivo supervisado con Redes Neuronales Artificiales Zaragoza Universidad de Zaragoza 2022 by-nc-sa Creative Commons 3.0 http://creativecommons.org/licenses/by-nc-sa/3.0/ OBJETIVO:Describir un nuevo Indicador de Supervivencia del Injerto en el Trasplante Hepático que sea una combinación de los factores del donante, del receptor (enfermedad primaria y comorbilidades) y del proceso donación-trasplante, empleando una Red Neuronal Artificial.<br />MATERIAL y MÉTODO:<br /> Fuentes de datos y variables: El estudio se ha llevado a cabo a partir de todos los pacientes con Trasplante Hepático (primer trasplante) realizados en el Hospital Clínico Universitario Lozano Blesa de 2000 a 2021. Hemos analizado una base de datos anonimizada y que solo contenía información clínica. En variables se han recogido todas aquellas contempladas en el RETH con significación estadística en la supervivencia del injerto, así como las comorbilidades del receptor.<br /> Red Neuronal Artificial: El modelo de Red Neuronal escogido es un perceptor multicapa (MLP Multilayer Perceptron) y el algoritmo de aprendizaje utilizado el Gradiente Conjugado Escalado. Con una capa de salida de dos neuronas cuya función de activación es Softmax.<br /> Evento: El evento objeto del estudio se define como la pérdida del injerto por retrasplante o exitus con disfunción del injerto en el primer año tras el trasplante. <br /> Indicador: El indicador se ha considerado el valor de la neurona de la capa de salida que predice que va a ocurrir el evento. La potencia del indicador ha sido medida mediante métricas de rendimiento, un análisis ROC y el parámetro de importancia de la variable (IV).<br />RESULTADOS:<br /> Nuestra serie consta de 596 pacientes de los cuales el evento se produjo en el 14% de los casos. El 67.4% de los casos tenía alguna comorbilidad asociada. Las únicas comorbilidades que mostraron diferencias estadísticamente significativas en relación a la supervivencia del injerto fueron: Antiagregación y/o Anticoagulación (4.5 vs 11.9%), Trombosis Portal (3.3 vs 9.5%) y el Virus de Hepatitis C (27.1 vs 41.7%); todas ellas con una p < 0.01.<br /> Se obtuvo una Red Neuronal 8:7:2 y el indicador mostró un Área ROC de 0.701, con diferencias significativas respecto de la asíntota (p < 0.05). Con un punto de corte > 0.5. El indicador obtuvo una exactitud de 86.24% y una especificidad del 99.61%.<br /> Las variables más importantes en la predicción del evento fueron: La edad del donante (IV normalizada 100%), la trombosis portal (IV normalizada 87.9%) y la causa del trasplante (IV normalizada 76.3%).<br />CONCLUSIÓN:<br /> Es posible crear un nuevo indicador de supervivencia del injerto en el Trasplante Hepático utilizando un modelo supervisado de Redes Neuronales Artificiales, cuyo rendimiento podría mejorarse si se creara a partir de una base de datos multicéntrica amplia.<br /> Las comorbilidades son muy frecuentes entre los receptores de Trasplante Hepático y algunas de ellas podrían ser un factor predictivo muy importante en la supervivencia del injerto.<br /><br /> Graduado en Medicina Derechos regulados por licencia Creative Commons Zalba Etayo, Begoña dir. Universidad de Zaragoza 740176@unizar.es 1288889 http://zaguan.unizar.es/record/119503/files/TAZ-TFG-2022-861.pdf Memoria (spa) oai:zaguan.unizar.es:119503 driver trabajos-fin-grado TAZ TFG MED 20220527201238.CREATION_DATE deposita:2022-10-25