Predicting Next Kidney Offer for a Kidney Transplant Candidate Declining Current One

Un patient atteint d'insuffisance rénale terminale est confronté à un choix difficile lorsqu'un rein d'un donneur décédé lui est offert. Il peut ou bien accepter, ou bien attendre une meilleure offre en restant sous dialyse. La décision associe le patient et son néphrologue, qui doivent, à deux, parvenir au meilleur choix pour le patient dans un processus appelé Prise de Décision Participative (PDP). D'une part, environ 500 personnes étaient en attente d'une transplantation rénale en 2017 au Québec. Parmi elles, 54 sont décédées sur la liste d'attente la même année. Le temps d'attente moyen des patients transplantés en 2017 était de 493 jours. D'autre part, des reins de moindre qualité qui auraient pu bénéficier à des patients à risque ne sont pas utilisés. Pour certains patients, accepter un rein de qualité inférieure augmente les chances de survie par rapport à attendre en dialyse. De plus, les chances de succès à long terme d'une transplantation diminuent avec le temps passé sous dialyse. Cependant, il peut être avantageux pour les patients prioritaires d'attendre une meilleur offre. Par conséquent, une méthodologie et des outils mathématiques pour développer une PDP éclairée augmenteraient la qualité et le nombre de greffes, la survie et la satisfaction des patients, la confiance des médecins dans leurs recommandations, diminueraient les dépenses de santé et les reins non-utilisés. Toutefois, les outils qui existent à ce jour pour ce faire ne nous paraissent pas adéquats. En effet, ils visent en général à recommander au patient la décision à prendre, en se fondant sur des critères souvent incomplets, au lieu de l'informer. Notre travail s'inscrit dans un projet de recherche plus général qui a été séparé en deux questions pour lesquelles le patient aimerait des réponses afin de prendre une décision. Notre travail répond à la seconde question en supposant la première résolue comme une boîte-noire. 1. Qu'advient-il si j'accepte l'offre ? Combien de temps un patient comme moi peut-il espérer survivre avec ce rein ? Ce temps est-il très différent du temps de survie espéré pour un donneur médian ? 2. Qu'advient-il si je refuse l'offre ? Combien de temps vais-je devoir attendre pour une prochaine offre ? Quelle est la qualité espérée d'une telle offre ? Combien de temps devrais-je attendre pour une meilleure offre que l'offre actuelle ? Nous considérons un système d'attribution par pointage de reins de donneurs décédés. Des offres sont faites au patient selon son rang sur la liste d'attente, déterminé par une fonction de pointage à chaque arrivée de donneur. Soit x un patient auquel un rein y0 est offert. Nous cherchons à prédire le temps T auquel le prochain rein Y sera proposé à x. Sachant q un prédicteur de la qualité d'une greffe (le temps de survie par exemple), nous souhaitons estimer q(x, Y ) ainsi que le temps de prochaine meilleure offre (T|q(x, Y ) > q(x, y0)). Nous modélisons l'arrivée de donneurs éligibles (c'est-à-dire compatibles et réellement proposés au patient) par un processus ponctuel de Poisson non-homogène de paramètre constant par morceaux. En pratique, nous estimons ce paramètre à l'aide des donneurs arrivés au cours des deux années précédant l'offre. Pour chaque donneur, nous évaluons s'il aurait été éligible pour le patient en considérant différentes dates dans le futur (afin de tenir compte de l'évolution du temps d'attente et de l'âge dudit patient). En définitive, notre algorithme apprend la distribution complète de l'offre suivante pour ce patient. L'on peut fournir au patient le temps espéré E(T) de prochaine offre (avec intervalles de confiance obtenus par bootstrapping) et t95%, temps auquel le patient aura obtenu une offre avec probabilité 0.95. Pour valider notre algorithme, nous utilisons des données fournies par Transplant Québec. Nous démontrons que comparer les quantiles prédits tα aux temps réels de prochaine offre permet d'estimer les quantiles empiriques sur l'ensemble du jeu de données. Nous démontrons qu'il est possible de comparer la moyenne des temps observés au même mois prédit E(T), tout en incluant les données censurées. La meilleure version de l'algorithme prédit fidèlement la distribution de T sur l'ensemble de test (712 offres : 569 observées, 143 censurées) : temps observés inférieurs aux t95% dans 94% des cas pour un C-index de 0.74. Nous introduisons une mesure de détection des erreurs de prédiction et de leur envergure. Enfin, nous utilisons le Kidney-Donor-Risk-Index (mesure de qualité reconnue en pratique) pour estimer la qualité de l'offre espérée comparativement à l'offre actuelle. Nous adaptons l'algorithme pour prédire l'espérance du temps de prochaine meilleure offre E(T|q(x, Y ) > q(x, y0)). Nous n'avons appliqué l'algorithme qu'à des données québécoises à ce jour, mais il s'étend à toute liste d'attente par pointage. Il est personnalisé, économe en temps de calcul, interprétable, s'adapte aux évolutions de la distribution de donneurs et permet d'informer le patient de multiples manières. Il inclut actuellement des limitations. Les prédictions sont mauvaises quand les données sont trop peu nombreuses ou pour certains types de patients. Enfin, l'algorithme néglige le risque de décès ou de sortie de la liste, d'où l'importance que le néphrologue confronte les résultats avec son expertise et que l'approche continue à être développée.