SciELO - Scientific Electronic Library Online

 
 Epidemiological, clinical, and laboratory factors associated with chronic kidney disease in Mexican HIV-infected patients author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

Share


Brazilian Journal of Nephrology

Print version ISSN 0101-2800On-line version ISSN 2175-8239

Abstract

HANNUN, Pedro Guilherme Coelho  and  ANDRADE, Luis Gustavo Modelli de. O futuro está chegando: perspectivas promissoras sobre o uso de machine learning no transplante renal. J. Bras. Nefrol. [online]. In press. , pp.-.  Epub Oct 18, 2018. ISSN 0101-2800.  http://dx.doi.org/10.1590/2175-8239-jbn-2018-0047.

Introdução:

A predição de resultados pós-transplante é clinicamente importante e envolve vários problemas. Os atuais modelos de previsão baseados em padrões estatísticos são muito complexos, difíceis de validar e não fornecem previsões precisas. Machine Learning, é uma técnica estatística que permite que o computador faça previsões futuras usando experiências anteriores, está começando a ser usada para resolver essas questões. No campo do transplante renal, o uso da previsão computacional foi relatado na predição de rejeição crônica de aloenxerto, função tardia do enxerto e sobrevida do enxerto. Este artigo descreve os princípios e etapas de machine learning para fazer uma previsão e realiza uma breve análise das aplicações mais recentes de seu uso na literatura.

Discussão:

Existem evidências convincentes de que as abordagens de machine learning baseadas nos dados do doador e do receptor são melhores para proporcionar melhor prognóstico dos resultados do enxerto do que a análise tradicional. As expectativas imediatas que emergem dessa nova técnica de modelagem de previsão são que ela gerará melhores decisões clínicas baseadas em dados de práticas dinâmicas e locais e aperfeiçoará a alocação de órgãos, bem como o gerenciamento de cuidados pós-transplante. Apesar dos resultados promissores, ainda não há um número substancial de estudos para determinar a viabilidade de sua aplicação em um cenário clínico.

Conclusão:

A forma como lidamos com dados de armazenamento em prontuários eletrônicos de saúde mudará radicalmente nos próximos anos e a machine learning fará parte da rotina clínica diária, seja para prever resultados clínicos ou sugerir um diagnóstico baseado na experiência institucional.

Keywords : Aprendizado de Máquina; Transplante de Rim; Modelos Estatísticos.

        · abstract in English     · text in English | Portuguese     · English ( pdf ) | Portuguese ( pdf )