Estimation du pronostic de survie en fonction des caractéristiques du greffon et du receveur d'une transplantation rénale

Bien que la greffe rénale soit le meilleur traitement de la maladie rénale chronique terminale, il persiste un écart entre le besoin d’organes pour la greffe et la disponibilité de ceux-ci. L’un des moyens d’expandre le bassin d’organe est d’accepter de greffer des reins ayant une longévité attendue réduite. La majorité des études montrent qu’il y a un bénéfice de survie associé à la transplantation d’un rein à longévité réduite par rapport à demeurer en dialyse. Cependant, les patients doivent également être informés des risques potentiels de cette option. Il existe peu de modèles personnalisés à la combinaison caractéristiques du patient et du greffon permettant d’estimer les survies du patient et du greffon après la greffe lorsque des reins à longévité réduite sont utilisés. Le but de notre étude était de créer un modèle d’estimation de la survie du greffon et du patient ayant une excellente calibration et permettant de comparer ces survies si un rein à longévité réduite vs un rein «standard» était transplanté. Nous avons effectué une étude de cohorte rétrospective incluant des patients ayant reçu une première transplantation rénale entre le 1er Janvier 2000 et le 1er Juin 2021 dans le registre américain United Network for Organ Sharing (UNOS). Les patients ont été suivis de la date de greffe jusqu’au décès ou la perte de greffon, définie comme le retour en dialyse ou la regreffe. Le critère de jugement primaire était la perte de greffon (décès, retour en dialyse ou regreffe). Le critère de juge-ment secondaire était la mortalité. L’approche proposées repose sur les arbres de régression qui séparent de façon automatique des sous-groupes de patients ayant des survies similaires sur la base des diverses variables indépendantes, jusqu’à atteindre un critère d’arrêt. Une métrique originale basée sur le test de Kolmogorov-Smirnov a été utilisée comme critère de partitionnement. Au total, 159 140 patients ont été inclus, avec un suivi médian de 6.9 ans. Les variables incluses comptaient entre autres le Kidney Donor Risk Index du donneur, l’âge du candidat et du donneur, le temps passé par le candidat en dialyse, la cause de la maladie rénale, et bien d’autres. En limitant le nombre minimal d’événements dans les feuilles à 500, on obtient des arbres dont la profondeur varie de 29 et 40 niveaux et une largeur d’arbre entre 129 et 171 feuilles. Nous avons démontré que les arbres décisionnels et les forêts aléatoires généraient des prédictions de survie très bien calibrées. Ces estimations permettront aux néphrologues transplanteurs d’informer les patients en ce qui a trait aux offres de rein à longévité réduite.

Abstract

Although transplantation is the best treatment for end-stage kidney disease (EKD), there remains an urgent need to increase the number of transplants and organ availability. One solution is to increase the organ pool and accept extended criteria donors (ECD). Most studies show a benefit in survival for candidates who are transplanted with organs from ECD. However, this requires patients to be informed of the potential risks of choosing that option. There are very few models to predict individual survival curves of kidney allografts and patients. Our study’s goal is to create a well-calibrated graft and patient survival estimation model to inform the candidates about the implications of accepting an ECD offer in a personalized fashion. We have performed a retrospective cohort study including patients who received a first renal transplant between January 1st, 2000, and June 1st, 2021 in the United Network for Organ Sharing (UNOS) American transplant registry. Patients had follow-up from the date of transplant to death or graft loss, which was defined as a return to dialysis or a re-transplant. Our approach includes a novel algorithm that finds at each iteration the ideal splits based on a variety of independent variables to group patients that share similar survival tendencies until a stopping criterion is met. In total, 159,140 patients were included, with a median follow-up time of 6.9 years. The included variables are, among others, the donor’s KDRI, the donor’s and recipient’s age, the diagnosed cause of EKD, and more. By limiting the number of events in the leaves to 500, we obtain trees with a depth varying from 29 to 40 levels and a size between 129 and 171. We have demonstrated that this novel model’s survival predictions are well-calibrated. Thus, decision-making can be based on its results with confidence. This method allows for patient and graft survival estimates that are calibrated and individu-alized based on the patient’s and donor’s characteristics. After validating our approach with data from the province of Quebec, transplant nephrologists and transplant candidates will have a tool to inform them more precisely of the risks and value of accepting offers from ECD.