RESUMEN
Introdução: Complicações associadas ao transplante de rim e imunossupressão podem ser prevenidas ou tratadas efetivamente quando são diagnosticadas em fases iniciais com o monitoramento pós-transplante. Objetivo: O objetivo deste estudo exploratório é comparar classificadores automáticos de padrões utilizando diferentes técnicas de inteligência artificial para prever eventos de nefrotoxicidade e rejeição celular aguda (RCA) em pacientes com até um ano do transplante renal. Métodos: Foram realizados testes estatísticos de incidência e regressão logística nas variáveis em relação à nefrotoxicidade e RCA. Foram utilizados diferentes classificadores (redes neurais, support vector machines (SVM), árvores de decisão, inferência bayesiana, e vizinhos mais próximos) com o objetivo de prever RCA e nefrotoxicidade. Os classificadores foram avaliados segundo o valor de sensibilidade, especificidade e área sob a curva ROC (AUC). Resultados: A incidência de RCA foi de 31,0% e de nefrotoxicidade de 26,9%. A técnica que apresentou o melhor valor de sensibilidade foi a SVM (algoritmo LIBSVM) com sensibilidade 0,87 (taxa de acerto 79,86%; especificidade 0,70; AUC 0,79). A técnica que apresentou o melhor valor de AUC para prever nefrotoxicidade ou RCA foi a de inferência bayesiana (algoritmo NaiveBayes) com AUC 0,80 (taxa de acerto 75,92%). Conclusão: Os resultados são animadores, com taxas de tentativa e erro condizentes com a determinação de rejeição celular aguda e nefrotoxicidade.
Background: Complications associated with kidney transplantation and immunosuppression can be prevented or treated effectively if diagnosed in early stages with monitoring post-transplant. Objective: The objective of this exploratory study is compare automatic classifiers using different techniques of artificial intelligenceáto predict events of nephrotoxicity and acute cellular rejection (ACR), with up to one year of renal transplantation Methods: The incidence and the statistical test logistic regression have been calculated in variables regarding nephrotoxicity and ACR.áWe used different classifiers (neural networks, support vector machines (SVM), decision trees, Bayesian inference, and closest neighbors) in order to provide ACR and nephrotoxicity. The classifiers were evaluated according to the value of sensitivity, specificity and area under ROC curve (AUC). Results: The prevalence of acute cellular rejection was 31.0% and 26.9% of nephrotoxicity. The technique had the highest sensitivity value prediction for the submission to the transplanted kidney biopsy was SVM (LIBSVM algorithm) with sensitivity rates of 0.87 (accuracy rate 79.86; specificity 0.70; AUC 0.79). The technique had the highest AUC for predicting nephrotoxicity and ACR was bayesian inference (NaiveBayes), with AUC rates of 0.8 (accuracy rate 75.92).Conclusion: The results are encouraging, with rates of accuracy and error consistent with the determination of acute cellular rejection and nephrotoxicity.